GetStructuredText Método

Extrae la página actual en bloques, líneas y tramos con estilo reutilizables, con índices de origen y geometría de página

GetStructuredText lee escalares Unicode, cajas de caracteres, tamaño de fuente, grosor de fuente, nombre de fuente, ángulo e identidad del objeto de texto a través de las API de texto nativas de PDFium

Los caracteres se convierten en tramos con estilo, los tramos en líneas físicas, las líneas relacionadas horizontalmente en bloques, y el texto de los bloques se une en el campo Text a nivel de página

Cada escalar nativo se conserva como UTF-16, incluidos los caracteres del plano suplementario representados por pares subrogados

• ReadingOrder — roPhysicalLayout agrupa por geometría de arriba abajo y de izquierda a derecha; roContentOrder conserva la secuencia nativa del flujo de contenido
• IncludeFontInfo — incluye nombre de fuente, tamaño, grosor y ángulo en cada tramo, con valor predeterminado True
• IncludeSemantics — mapea el modelo existente de PDF etiquetado o de contenido legible heurístico en cada bloque, con valor predeterminado True
• MaxCharacters — presupuesto de caracteres de página con fallo controlado, con valor predeterminado 1000000

Registro	Datos clave
TPdfStructuredTextPage	PageNumber, Width y Height, recuentos de caracteres y de fallos, Source, Text combinado y Blocks
TPdfStructuredTextBlock	Límites, texto, tipo de estructura, nivel de encabezado, idioma, origen, índice del elemento de estructura y líneas
TPdfStructuredTextLine	Límites, texto combinado y tramos con estilo
TPdfStructuredTextSpan	Text, Bounds, el rango SourceStartIndex y SourceCharacterCount, FontName, FontSize, FontWeight y Angle

• El contenido etiquetado puede rellenar Kind, HeadingLevel, Language, Source y StructElementIndex
• Una Figure etiquetada sin correspondencia con texto alternativo se retiene como un bloque semántico sintético en lugar de desaparecer del modelo
• UnmappedCharacterCount cuenta los mapeos nativos a cero reemplazados por U+FFFD
• GeometryFailureCount cuenta los caracteres sin salto de línea sin límites nativos utilizables, conservando su texto
• El texto rotado y vertical conserva los metadatos de escalar y ángulo, pero el agrupamiento físico de líneas está optimizado para disposiciones horizontales

El ordenamiento físico usa ordenación de caracteres O(n log n), búferes de líneas y tramos de crecimiento geométrico, construcción UTF-16 con búfer y caché de fuentes de objetos de texto adyacentes no nulos

Establezca IncludeFontInfo o IncludeSemantics en False cuando esas capas de enriquecimiento no sean necesarias

TPdf, Text, ExtractTables, BuildReflowDocument, ApplyOcrSearchLayer, StructureElements