ExtractStructuredDocument

Text, extrahering, strukturerade data

Beskrivning

Fångar ett valt sidintervall, analyserar sidorna tillsammans och returnerar ett schema 2-JSON-dokument, ett semantiskt XHTML-dokument eller koordinerade CSV-tabeller

Syntax

Delphi

Function TPDFlib.ExtractStructuredDocument(Const PageRange: WideString;
  Format, Options: Integer): WideString;

ActiveX

Function PDFlib::ExtractStructuredDocument(PageRange As String,
  Format As Long, Options As Long) As String

DLL

const wchar_t* DLExtractStructuredDocument(int InstanceID,
  const wchar_t* PageRange, int Format, int Options);
const char* DLExtractStructuredDocumentA(int InstanceID,
  const char* PageRange, int Format, int Options);

Parametrar

PageRange	Ett 1-baserat sidintervall som `1-3,7`, eller en tom sträng för varje sida
Format	`PDF_STRUCTURED_TEXT_JSON` (0), `PDF_STRUCTURED_TEXT_XHTML` (1), or `PDF_STRUCTURED_TEXT_CSV` (2)
Options	Zero or `PDF_STRUCTURED_TEXT_INCLUDE_STYLES` (1)

Returvärden

JSON innehåller version: 2 och en pages-array med schemat som dokumenteras av ExtractStructuredPage; stabila semantiska nod-ID:n gäller över sidor

XHTML kombinerar semantiskt innehåll, där sammanfogade tabellfragment behålls inuti en tabell i stället för att kräva en section per sida

CSV innehåller bara tabeller och är tomt när ingen vald sida har en; fortsatta logiska tabeller använder en tabellrubrik och utelämnar identifierade upprepade rubrikrader

Ett ogiltigt intervall, format eller option och varje extraktionsfel returnerar en tom sträng

Anmärkningar

Analysen använder SetStructuredTextOptions oberoende av formatspecifika Options; granska GetLastStructuredTextDiagnostics för läskällor och fallback-varningar

Verklig taggträdsordning har företräde när innehållsbindningarna är kompletta; olöst eller tvetydigt innehåll behåller extraherad text i mixed- eller geometric-fallback, och okända anpassade roller gissas inte utifrån sina namn

Sidöverskridande analys identifierar upprepade marginalsidoelement och kompatibla tabellfortsättningar; standardflaggorna identifierar sidoelementen medan deras text behålls

Taggade celler behåller tomt innehåll och uttryckliga rad- och kolumnspan; felformaterade eller överlappande tabellrutnät faller tillbaka medan extraherad text behålls

Valda sidmodeller behålls för dokumentvid analys, och det kompletta serialiserade resultatet buffras; minnet växer med det valda innehållet och utdatastorleken

Extraktionen bevarar den valda sidan och skribentens öppna taggstack; aktuella osparade skrivartaggar inkluderas utan att stänga taggar eller färdigställa dokumentet

LastErrorCode är 111 för ogiltig indata och 515 när extraktion misslyckas

Se även

ExtractStructuredPage, ExtractPageRangeText