Text

Text

Den här sidan beskriver hur man läser text tillbaka från en sida, på tre detaljnivåer: ren text, strukturerade layoutblock och individuella placerade glyfer. För att skriva text på en sida, se Kärna API and Kärna API.

Extrahera vanlig text

Page.GetText() returnerar sidans sammansatta vanliga text, i läsordning. Det är det enklaste sättet att bekräfta vilken text en sida faktiskt innehåller — till exempel efter att ha plattat ett fält eller applicerat en redigering.

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

Strukturerad text

Page.GetStructuredText() extraherar placerad text grupperad i rader (efter baslinje) och stycke-liknande block (efter vertikalt avstånd och vänsterkantjustering), och returnerar TextBlock[] — användbart när du behöver layout, inte bara en platt sträng.

Introspektion på glyfnivå

visitContent(doc, page, visitor) går igenom en sidas innehållsströmmar — inklusive Form XObjects — och anropar den matchande hanteraren på visitor för varje glyf, bild eller bana den stöter på. glyph-hanteraren får en GlyphEvent: glyfens text, dess enhetsrymds quad, fontSize, color, och proveniensfält såsom mcid (dess omgivande markerade innehållselement, om någon) och artifact (sant när den ritas inom ett /Artifact-omfång).

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);

Tips och bästa praxis

• Använd Page.GetText() för en snabb närvaro-/frånvaro-kontroll; använd visitContent() med en glyph-hanterare när du behöver varje glyfs exakta position, teckenstorlek eller färg.
• Kontrollera GlyphEvent.artifact för att hoppa över dekorativt innehåll (sidmöbler, bakgrunder) som ett taggat dokument markerar som /Artifact snarare än verkligt innehåll.
• GlyphEvent.mcid länkar en glyf tillbaka till dess omgivande strukturelement när dokumentet är taggat — kombinera med Structure för att gå från en glyf till dess logiska element.
• Page.GetStructuredText() grupperar glyfer i block åt dig; använd visitContent() direkt endast när du behöver per-glyf-detaljer som GetStructuredText() inte exponerar.

Vanliga problem

FAQ

Vad är skillnaden mellan GetText och GetStructuredText?

GetText() returnerar en enkel platt sträng med sidans sammansatta text. GetStructuredText() returnerar TextBlock[] — text grupperad i rader och stycke-liknande block efter baslinje och layout, användbart när positionen är viktig.

Hur får jag den exakta positionen och teckenstorleken för varje tecken?

Anropa visitContent(doc, page, { glyph: (e) => ... }). Varje GlyphEvent bär glyphens text, device-space quad, fontSize, color och baseline angle.

Kan jag avgöra om en textbit är verkligt innehåll eller dekoration?

Ja — GlyphEvent.artifact är true när glyphen ritades inom ett /Artifact markerat-innehållsområde, samma distinktion som Document.AutoTag() använder när den bestämmer vad som ska märkas.

Ser textutdragning innehåll i Form XObjects?

Ja — visitContent() går in i Form XObjects som en del av sin traversering, så glyphs som ritas genom ett återanvänt formulär besöks fortfarande.

API Reference Sammanfattning

Se även

• Aspose.PDF — Enterprise Documentation