GetStructuredText - TPdf - PDFium Delphi Component

Komponenta: TPdf · Jednotka: PDFium

Extrahuje aktuální stránku do znovupoužitelných bloků, řádků a stylovaných spanů se zdrojovými indexy a geometrií stránky

Syntaxe

function GetStructuredText(
const Options: TPdfStructuredTextOptions): TPdfStructuredTextPage;

Popis

GetStructuredText čte Unicode skaláry, rámečky znaků, velikost fontu, váhu fontu, název fontu, úhel a identitu textového objektu přes nativní textová API PDFium

Znaky tvoří stylované spany, spany tvoří fyzické řádky, vodorovně související řádky tvoří bloky a text bloků se spojí do pole Text na úrovni stránky

Každý nativní skalár se zachová jako UTF-16, včetně znaků doplňkových rovin reprezentovaných dvojicemi surrogate

Volby

ReadingOrder — roPhysicalLayout seskupuje geometrii shora dolů a zleva doprava; roContentOrder zachovává nativní pořadí obsahového proudu
IncludeFontInfo — do každého spanu zahrne název, velikost, váhu a úhel fontu, výchozí True
IncludeSemantics — mapuje na každý blok existující model Tagged PDF nebo heuristický model čitelného obsahu, výchozí True
MaxCharacters — fail-closed rozpočet znaků stránky, výchozí 1000000

Hierarchie výsledku

Záznam	Klíčová data
`TPdfStructuredTextPage`	`PageNumber`, `Width` a `Height`, počty znaků a selhání, `Source`, spojený `Text` a `Blocks`
`TPdfStructuredTextBlock`	Meze, text, druh struktury, úroveň nadpisu, jazyk, zdroj, index strukturního prvku a řádky
`TPdfStructuredTextLine`	Meze, spojený text a stylované spany
`TPdfStructuredTextSpan`	`Text`, `Bounds`, rozsah `SourceStartIndex` a `SourceCharacterCount`, `FontName`, `FontSize`, `FontWeight` a `Angle`

Sémantika a geometrie

Tagovaný obsah může naplnit Kind, HeadingLevel, Language, Source a StructElementIndex
Netrefený tagovaný Figure s alternativním textem se zachová jako syntetický sémantický blok, místo aby z modelu zmizel
UnmappedCharacterCount počítá nativní nulová mapování nahrazená U+FFFD
GeometryFailureCount počítá znaky bez použitelných nativních mezí, přičemž jejich text zůstává zachován
Otočený a svislý text zachovává metadata skalárů a úhlu, ale fyzické shlukování řádků je optimalizováno na vodorovná rozvržení

Výkon

Fyzické pořadí používá řazení znaků O(n log n), geometricky rostoucí buffery řádků a spanů, bufferovanou konstrukci UTF-16 a cache fontů pro sousední nenulové textové objekty

Nastavte IncludeFontInfo nebo IncludeSemantics na False, když jsou tyto obohacující vrstvy zbytečné

Příklad

var
  Options: TPdfStructuredTextOptions;
  Page: TPdfStructuredTextPage;
begin
  Options := TPdfStructuredTextOptions.Default;
  Options.MaxCharacters := 250000;
  Page := Pdf1.GetStructuredText(Options);
  Memo1.Text := Page.Text;
end;

Viz také

TPdf, Text, ExtractTables, BuildReflowDocument, ApplyOcrSearchLayer, StructureElements

GetStructuredText metoda