GetStructuredText-metode

Henter ut gjeldende side som gjenbrukbare blokker, linjer og stylede spans med kildeindekser og sidegeometri

GetStructuredText leser Unicode-skalarer, tegnbokser, skriftstørrelse, skriftvekt, skriftnavn, vinkel og tekstobjektidentitet gjennom PDFiums native tekst-API-er

Tegn blir stylede spans, spans blir fysiske linjer, horisontalt relaterte linjer blir blokker, og blokktekst settes sammen til sidelenivåfeltet Text

Hver native skalar bevares som UTF-16, inkludert tegn i tilleggsplan representert ved surrogatepar

• ReadingOrder — roPhysicalLayout grupperer geometri ovenfra og ned og fra venstre mot høyre; roContentOrder bevarer den native innholdsstrømsekvensen
• IncludeFontInfo — tar med skriftnavn, størrelse, vekt og vinkel i hver span, standard True
• IncludeSemantics — mapper den eksisterende Tagged PDF- eller heuristiske lesbart-innhold-modellen til hver blokk, standard True
• MaxCharacters — tegnbudsjett for siden med fail-closed-atferd, standard 1000000

Record	Key data
TPdfStructuredTextPage	PageNumber, Width og Height, tegn- og feiltellinger, Source, sammensatt Text og Blocks
TPdfStructuredTextBlock	Grenser, tekst, strukturtype, overskriftsnivå, språk, kilde, strukturelementindeks og linjer
TPdfStructuredTextLine	Grenser, sammensatt tekst og stylede spans
TPdfStructuredTextSpan	Text, Bounds, området SourceStartIndex til SourceCharacterCount, FontName, FontSize, FontWeight og Angle

• Tagget innhold kan fylle Kind, HeadingLevel, Language, Source og StructElementIndex
• En utmatchet tagget figur med alternativ tekst beholdes som en syntetisk semantisk blokk i stedet for å forsvinne fra modellen
• UnmappedCharacterCount teller native null-mappinger som er erstattet av U+FFFD
• GeometryFailureCount teller tegn som ikke er skiftetegn og mangler brukbare native grenser, mens teksten deres bevares
• Rotert og loddrett tekst bevarer skalar- og vinkelmetadata, men fysisk linjeklynging er optimalisert for vannrette oppsett

Fysisk rekkefølge bruker O(n log n)-tegnsortering, geometrisk voksende linje- og spanbuffere, bufret UTF-16-konstruksjon og skrifttypebufring for nabotekstobjekter som ikke er null

Sett IncludeFontInfo eller IncludeSemantics til False når disse berikelseslagene er unødvendige

TPdf, Text, ExtractTables, BuildReflowDocument, ApplyOcrSearchLayer, StructureElements