GetStructuredText metode

Mengekstraksi halaman saat ini menjadi block, line, dan styled span yang dapat dipakai ulang dengan indeks sumber dan geometri halaman

GetStructuredText membaca skalar Unicode, character box, ukuran font, berat font, nama font, sudut, dan identitas objek teks melalui API teks native PDFium

Karakter menjadi styled span, span menjadi line fisik, line yang berhubungan secara horizontal menjadi block, dan teks block digabungkan ke field Text level halaman

Setiap skalar native dipertahankan sebagai UTF-16, termasuk karakter supplementary-plane yang diwakili pasangan surrogate

• ReadingOrder — roPhysicalLayout mengelompokkan geometri dari atas ke bawah dan dari kiri ke kanan; roContentOrder mempertahankan urutan content-stream native
• IncludeFontInfo — menyertakan nama, ukuran, berat, dan sudut font pada setiap span, bawaan True
• IncludeSemantics — memetakan model Tagged PDF yang ada atau readable-content heuristik ke setiap block, bawaan True
• MaxCharacters — anggaran karakter halaman fail-closed, bawaan 1000000

Record	Key data
TPdfStructuredTextPage	PageNumber, Width dan Height, jumlah karakter dan kegagalan, Source, Text gabungan, dan Blocks
TPdfStructuredTextBlock	Batas, teks, jenis struktur, level heading, bahasa, sumber, indeks elemen struktur, dan line
TPdfStructuredTextLine	Batas, teks gabungan, dan styled span
TPdfStructuredTextSpan	Text, Bounds, rentang SourceStartIndex dan SourceCharacterCount, FontName, FontSize, FontWeight, dan Angle

• Konten bertag dapat mengisi Kind, HeadingLevel, Language, Source, dan StructElementIndex
• Figure bertag yang tidak cocok dengan teks alternatif tetap disimpan sebagai block semantik sintetis alih-alih hilang dari model
• UnmappedCharacterCount menghitung pemetaan nol native yang digantikan U+FFFD
• GeometryFailureCount menghitung karakter non-break tanpa batas native yang dapat dipakai sembari teksnya tetap dipertahankan
• Teks terotasi dan vertikal mempertahankan metadata skalar dan sudut, tetapi pengelompokan line fisik dioptimalkan untuk tata letak horizontal

Urutan fisik memakai pengurutan karakter O(n log n), buffer line dan span yang tumbuh secara geometris, konstruksi UTF-16 terbuffer, dan cache font objek teks non-null yang berdekatan

Atur IncludeFontInfo atau IncludeSemantics ke False ketika lapisan pengayaan tersebut tidak diperlukan

TPdf, Text, ExtractTables, BuildReflowDocument, ApplyOcrSearchLayer, StructureElements