GetPageText

Trích xuất, Thao tác trang

Mô tả

Hàm này cung cấp hai cách khác nhau để trích xuất văn bản từ trang đang chọn, với kết quả trình bày ở nhiều định dạng

Các hàm SetTextExtractionWordGap, SetTextExtractionOptions và SetTextExtractionArea

có thể dùng để tinh chỉnh quá trình trích xuất văn bản

Cú pháp

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);

Tham số

ExtractOptions	Dùng thuật toán trích xuất văn bản tiêu chuẩn: 0 = Trích xuất văn bản ở định dạng dễ đọc 1 = Đã lỗi thời 2 = Trả về chuỗi CSV gồm font, màu, kích thước và vị trí của từng phần chữ trên trang Dùng thuật toán trích xuất chính xác hơn nhưng chậm hơn: 3 = Trả về một chuỗi CSV cho từng phần chữ trên trang với định dạng: Font Name, Text Color, Text Size, X1, Y1, X2, Y2, X3, Y3, X4, Y4, Text Tọa độ là bốn điểm bao quanh chữ, đo theo đơn vị đặt bằng hàm SetMeasurementUnits và gốc tọa độ đặt bằng hàm SetOrigin. Thứ tự tọa độ đi ngược chiều kim đồng hồ, góc dưới bên trái là điểm đầu tiên 4 = Giống tùy chọn 3 nhưng trả về từng từ riêng lẻ, giúp tìm kiếm từ dễ hơn 5 = Giống tùy chọn 3 nhưng in thêm độ rộng ký tự sau mỗi khối chữ 6 = Giống tùy chọn 4 nhưng in thêm độ rộng ký tự sau mỗi dòng chữ 7 = Trích xuất văn bản dễ đọc với độ chính xác cao hơn tùy chọn 0 8 = Định dạng đầu ra giống tùy chọn 0 nhưng dùng thuật toán chính xác hơn. Trả về các dòng không định dạng 9 = Trích xuất văn bản theo thứ tự đọc thị giác: XY-cut đệ quy giữ layout nhiều cột theo từng cột thay vì trộn lẫn các dòng 10 = Xuất nhận biết bảng phân tách bằng tab: cạnh trái các khối được cụm hóa thành vị trí cột chung nên các ô thẳng hàng dọc giữ được căn chỉnh qua các hàng 11 = Văn bản lưới cố định giữ nguyên layout: trang được ánh xạ lên lưới ký tự monospace đệm bằng khoảng trắng thật, giữ căn chỉnh thị giác mà không cần tab stop

ExtractOptions

Dùng thuật toán trích xuất văn bản tiêu chuẩn: 0 = Trích xuất văn bản ở định dạng dễ đọc 1 = Đã lỗi thời 2 = Trả về chuỗi CSV gồm font, màu, kích thước và vị trí của từng phần chữ trên trang Dùng thuật toán trích xuất chính xác hơn nhưng chậm hơn: 3 = Trả về một chuỗi CSV cho từng phần chữ trên trang với định dạng: Font Name, Text Color, Text Size, X1, Y1, X2, Y2, X3, Y3, X4, Y4, Text Tọa độ là bốn điểm bao quanh chữ, đo theo đơn vị đặt bằng hàm SetMeasurementUnits và gốc tọa độ đặt bằng hàm SetOrigin. Thứ tự tọa độ đi ngược chiều kim đồng hồ, góc dưới bên trái là điểm đầu tiên 4 = Giống tùy chọn 3 nhưng trả về từng từ riêng lẻ, giúp tìm kiếm từ dễ hơn 5 = Giống tùy chọn 3 nhưng in thêm độ rộng ký tự sau mỗi khối chữ 6 = Giống tùy chọn 4 nhưng in thêm độ rộng ký tự sau mỗi dòng chữ 7 = Trích xuất văn bản dễ đọc với độ chính xác cao hơn tùy chọn 0 8 = Định dạng đầu ra giống tùy chọn 0 nhưng dùng thuật toán chính xác hơn. Trả về các dòng không định dạng 9 = Trích xuất văn bản theo thứ tự đọc thị giác: XY-cut đệ quy giữ layout nhiều cột theo từng cột thay vì trộn lẫn các dòng 10 = Xuất nhận biết bảng phân tách bằng tab: cạnh trái các khối được cụm hóa thành vị trí cột chung nên các ô thẳng hàng dọc giữ được căn chỉnh qua các hàng 11 = Văn bản lưới cố định giữ nguyên layout: trang được ánh xạ lên lưới ký tự monospace đệm bằng khoảng trắng thật, giữ căn chỉnh thị giác mà không cần tab stop

Giá trị trả về

	Văn bản của trang đang chọn, hoặc chuỗi rỗng nếu có vấn đề. Các dòng phân tách bằng ký tự CR-LF