Text

Text

Tato stránka se zabývá čtením textu zpět ze stránky na třech úrovních podrobnosti: prostý text, strukturované bloky rozvržení a jednotlivé umístěné glyfy. Pro zápis textu na stránku viz Core API and Core API.

Extrahování prostého textu

Page.GetText() vrací sestavený prostý text stránky v pořadí čtení. Je to nejjednodušší způsob, jak potvrdit, jaký text stránka skutečně obsahuje — například po zploštění pole nebo aplikaci redakce.

const page = doc.Pages[0];
console.log(page.GetText().includes('Internal memo'));

Strukturovaný text

Page.GetStructuredText() extrahuje umístěný text seskupený do řádků (podle základní čáry) a bloků podobných odstavcům (podle vertikální mezery a zarovnání levého okraje), vrací TextBlock[] — užitečné, když potřebujete rozvržení, nejen plochý řetězec.

Introspekce na úrovni glyfů

visitContent(doc, page, visitor) prochází proudy obsahu stránky — včetně Form XObjects — a volá odpovídající obslužnou rutinu na visitor pro každý glyph, obrázek nebo cestu, na kterou narazí. Obslužná rutina glyph přijímá GlyphEvent: text glyphu, jeho quad v zařízení, fontSize, color a pole původu jako mcid (její obklopující element označeného obsahu, pokud existuje) a artifact (pravda, když je vykresleno uvnitř rozsahu /Artifact).

import { visitContent } from '@asposefoss/pdf';

let glyphCount = 0;
visitContent(doc, page, {
  glyph: (e) => {
    glyphCount++;
    if (e.artifact) return;       // skip decorative content
    console.log(e.text, e.quad, e.color);
  },
});
console.log('glyphs drawn:', glyphCount);

Tipy a osvědčené postupy

• Použijte Page.GetText() pro rychlou kontrolu přítomnosti/absence; použijte visitContent() s glyph obslužnou rutinou, když potřebujete přesnou pozici, velikost písma nebo barvu každého glyphu.
• Zkontrolujte GlyphEvent.artifact, abyste přeskočili dekorativní obsah (nábytek stránky, pozadí), který označený dokument označuje jako /Artifact místo skutečného obsahu.
• GlyphEvent.mcid propojí glyf zpět k jeho obklopujícímu strukturálnímu prvku, když je dokument označen — kombinujte s Structure pro procházení od glyfu k jeho logickému prvku.
• Page.GetStructuredText() seskupuje glyphy do bloků za vás; sáhněte po visitContent() přímo jen když potřebujete podrobnosti na úrovni jednotlivých glyphů, které GetStructuredText() neodhaluje.

Časté problémy

FAQ

Jaký je rozdíl mezi GetText a GetStructuredText?

GetText() vrací jeden plochý řetězec sestaveného textu stránky. GetStructuredText() vrací TextBlock[] — text seskupený do řádků a bloků podobných odstavcům podle základní linky a rozvržení, užitečné, když záleží na poloze.

Jak získám přesnou pozici a velikost písma každého znaku?

Zavolejte visitContent(doc, page, { glyph: (e) => ... }). Každý GlyphEvent nese text glyfu, zařízení-prostor quad, fontSize, color a základní linku angle.

Mohu rozpoznat, zda je část textu skutečný obsah nebo dekorace?

Ano — GlyphEvent.artifact je true, když byl glyf vykreslen uvnitř /Artifact rozsahu označeného obsahu, stejný rozdíl používá Document.AutoTag() při rozhodování, co označit.

Vidí extrakce textu obsah uvnitř Form XObjects?

Ano — visitContent() vstupuje do Form XObjects jako součást svého procházení, takže glyfy vykreslené pomocí opakovaně použitého formuláře jsou stále navštěvovány.

API Reference Shrnutí

Viz také:

• Aspose.PDF — Enterprise Documentation