GetPageText

Extragere, Manipulare pagini

Descriere

Această funcție oferă două metode diferite de extragere a textului din pagina selectată și prezintă rezultatele în mai multe formate

Funcțiile SetTextExtractionWordGap, SetTextExtractionOptions și SetTextExtractionArea

pot fi folosite pentru a ajusta procesul de extragere a textului

Sintaxă

Delphi

Function TPDFlib.GetPageText(ExtractOptions: Integer): WideString;

ActiveX

Function PDFlib::GetPageText(ExtractOptions As Long) As String

DLL

const wchar_t * DLGetPageText(int InstanceID, int ExtractOptions);

Parametri

ExtractOptions	Cu algoritmul standard de extragere a textului: 0 = Extragere text în format lizibil 1 = Deprecated 2 = Returnează un șir CSV cu fontul, culoarea, dimensiunea și poziția fiecărei porțiuni de text de pe pagină Cu algoritmul de extragere mai precis, dar mai lent: 3 = Returnează un șir CSV pentru fiecare porțiune de text de pe pagină, în formatul: Font Name, Text Color, Text Size, X1, Y1, X2, Y2, X3, Y3, X4, Y4, Text Coordonatele sunt cele patru puncte care încadrează textul, măsurate în unitățile setate cu funcția SetMeasurementUnits și cu originea setată cu funcția SetOrigin. Ordinea coordonatelor este anti-orar, începând cu colțul din stânga jos 4 = Similar cu opțiunea 3, dar se returnează cuvinte individuale, ceea ce ușurează căutarea de cuvinte 5 = Similar cu opțiunea 3, dar lățimile caracterelor sunt emise după fiecare bloc de text 6 = Similar cu opțiunea 4, dar lățimile caracterelor sunt emise după fiecare linie de text 7 = Extragere text în format lizibil, cu acuratețe îmbunătățită față de opțiunea 0 8 = Format de ieșire similar cu opțiunea 0, dar cu algoritmul mai precis. Returnează linii neformatate 9 = Extragere text în ordine vizuală de citire: un XY-cut recursiv păstrează layout-urile pe mai multe coloane coloană cu coloană, în loc să întreamine liniile 10 = Export tabelar cu tab-uri: marginile stângi ale blocurilor se grupează în poziții globale de coloană, astfel încât celulele aliniate vertical rămân aliniate între rânduri 11 = Text pe grilă fixă care păstrează layout-ul: pagina se mapează pe o grilă de caractere monospace umplută cu spații reale, menținând alinierea vizuală fără tab-uri

ExtractOptions

Cu algoritmul standard de extragere a textului: 0 = Extragere text în format lizibil 1 = Deprecated 2 = Returnează un șir CSV cu fontul, culoarea, dimensiunea și poziția fiecărei porțiuni de text de pe pagină Cu algoritmul de extragere mai precis, dar mai lent: 3 = Returnează un șir CSV pentru fiecare porțiune de text de pe pagină, în formatul: Font Name, Text Color, Text Size, X1, Y1, X2, Y2, X3, Y3, X4, Y4, Text Coordonatele sunt cele patru puncte care încadrează textul, măsurate în unitățile setate cu funcția SetMeasurementUnits și cu originea setată cu funcția SetOrigin. Ordinea coordonatelor este anti-orar, începând cu colțul din stânga jos 4 = Similar cu opțiunea 3, dar se returnează cuvinte individuale, ceea ce ușurează căutarea de cuvinte 5 = Similar cu opțiunea 3, dar lățimile caracterelor sunt emise după fiecare bloc de text 6 = Similar cu opțiunea 4, dar lățimile caracterelor sunt emise după fiecare linie de text 7 = Extragere text în format lizibil, cu acuratețe îmbunătățită față de opțiunea 0 8 = Format de ieșire similar cu opțiunea 0, dar cu algoritmul mai precis. Returnează linii neformatate 9 = Extragere text în ordine vizuală de citire: un XY-cut recursiv păstrează layout-urile pe mai multe coloane coloană cu coloană, în loc să întreamine liniile 10 = Export tabelar cu tab-uri: marginile stângi ale blocurilor se grupează în poziții globale de coloană, astfel încât celulele aliniate vertical rămân aliniate între rânduri 11 = Text pe grilă fixă care păstrează layout-ul: pagina se mapează pe o grilă de caractere monospace umplută cu spații reale, menținând alinierea vizuală fără tab-uri

Valori returnate

	Textul paginii selectate sau un șir gol dacă a apărut o problemă. Liniile sunt separate cu caractere CR-LF