Text

Text

本页介绍如何从页面中读取文本，分为三个细节层次：纯文本、结构化布局块以及单独定位的字形。有关在页面上写入文本，请参见 核心 API and 核心 API.

提取纯文本

Page.GetText() 返回页面按阅读顺序组装的纯文本。这是确认页面实际包含哪些文本的最简单方法——例如，在将字段扁平化或执行涂黑后。

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

结构化文本

Page.GetStructuredText() 提取按行（基线）和段落式块（通过垂直间距和左边缘对齐）分组的定位文本，返回 TextBlock[] —— 当你需要布局信息而不仅仅是一个平面字符串时，这非常有用。

字形级别的内省

visitContent(doc, page, visitor) 遍历页面的内容流——包括 Form XObjects——并在遇到每个字形、图像或路径时调用 visitor 上的相应处理程序。glyph 处理程序接收一个 GlyphEvent：字形的 text、其设备空间的 quad、fontSize、color，以及诸如 mcid（如果有的话，其所在的标记内容元素）和 artifact（当在 /Artifact 范围内绘制时为真）等来源字段。

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);

技巧与最佳实践

• 使用 Page.GetText() 进行快速的存在/不存在检查；当需要每个字形的精确位置、字体大小或颜色时，使用带有 glyph 处理程序的 visitContent()。
• 检查 GlyphEvent.artifact 以跳过标记文档标记为 /Artifact 而非真实内容的装饰性内容（页面装饰、背景）。
• GlyphEvent.mcid 在文档被标记时，将字形链接回其所属的结构元素——结合使用 Structure 以便从字形遍历到其逻辑元素。
• Page.GetStructuredText() 为你将字形分组为块；仅在需要 GetStructuredText() 未提供的每个字形的细节时才直接使用 visitContent()。

常见问题

FAQ

GetText 和 GetStructuredText 有什么区别？

GetText() 返回页面组装文本的一个平面字符串。GetStructuredText() 返回 TextBlock[] —— 按基线和布局将文本分组为行和段落式块，在位置重要时很有用。

我如何获取每个字符的精确位置和字体大小？

调用 visitContent(doc, page, { glyph: (e) => ... })。每个 GlyphEvent 包含字形的 text、设备空间 quad、fontSize、color，以及基线 angle。

我能判断一段文字是实际内容还是装饰吗？

是的——当字形在 /Artifact 标记内容范围内绘制时，GlyphEvent.artifact 为 true，这与 Document.AutoTag() 在决定标记内容时使用的区分相同。

文本提取会看到 Form XObjects 内的内容吗？

是的——visitContent() 在遍历时会进入 Form XObjects，因此通过复用的表单绘制的字形仍会被访问。

API Reference 概述

另请参阅

• Aspose.PDF — Enterprise Documentation