التعليقات التوضيحية والنص الخاص باستخدام Python

استخراج نص من التعليقات التوضيحية للطوابع

استخدم ممتص النص لاستخراج نص مضمن في ملف التعليق التوضيحي للطوابع تيار المظهر. يكون هذا مفيدًا عندما يتم عرض محتوى الختم كنموذج XObject بدلاً من تخزينه كنص عادي.

  1. افتح مستند.
  2. الوصول إلى التعليق التوضيحي المستهدف من page.annotations.
  3. تحقق من أنها StampAnnotation، ثم استرجع مظهره العادي XForm.
  4. قم بتمرير النموذج إلى TextAbsorber.visit() لاستخراج النص المضمن.
import os
import aspose.pdf as ap


def extract_text_from_stamp(infile, page_number, annotation_index, outfile):
    """
    Extracts text from a stamp annotation on a given page in a PDF document.
    Args:
        infile (str): Path to the input PDF file.
        page_number (int): 1-based index of the page containing the stamp.
        annotation_index (int): 1-based index of the annotation in that page.
        outfile (str): Path to the output text file where extracted text will be saved.
    """
    document = ap.Document(infile)
    try:
        page = document.pages[page_number]
        annot = page.annotations[annotation_index]
        # Ensure it's a StampAnnotation
        if isinstance(annot, ap.annotations.StampAnnotation):
            # Get normal appearance XForm of the stamp
            xform = annot.appearance["N"]
            absorber = ap.text.TextAbsorber()
            absorber.visit(xform)
            extracted = absorber.text
            with open(outfile, "w", encoding="utf-8") as f:
                f.write(extracted)
    finally:
        document.close()

استخراج النص المميز

قم بالتكرار على التعليقات التوضيحية للصفحة واستخدامها قم بتمييز التعليق التوضيحي. get_marked_text () لقراءة الامتدادات النصية التي يغطيها كل تمييز. تستند مجموعة التعليقات التوضيحية للصفحة إلى 1.

  1. افتح مستند وحدد الصفحة المستهدفة.
  2. قم بالمرور عبر حلقة page.annotations.
  3. استخدم is_assignable للتصفية لـ قم بتمييز التعليق التوضيحي مثيلات.
  4. أرسل التعليق التوضيحي واتصل get_marked_text() لاسترداد المحتوى المميز.
def extract_highlight_text(infile):
    """
    Extract text from highlight annotations.

    Args:
        infile (str): Input PDF filename

    Returns:
        None

    Example:
        extract_highlight_text("sample.pdf")

    Note:
        Prints marked text from each highlight annotation on first page.
    """
    document = ap.Document(infile)
    page = document.pages[1]

    for annotation in page.annotations:
        if is_assignable(annotation, ap.annotations.HighlightAnnotation):
            highlight_annotation = cast(ap.annotations.HighlightAnnotation, annotation)
            print(highlight_annotation.get_marked_text())

استخراج النص العلوي والنص الفرعي

تظهر الحروف العلوية والرموز الفرعية بشكل متكرر في الصيغ والتعبيرات الرياضية وأسماء المركبات الكيميائية. Aspose.PDF لبيثون عبر .NET يدعم استخراج هذا المحتوى من خلال ممتص أجزاء النص، الذي يكتشف البيانات الوصفية لتحديد المواقع على مستوى الحرف.

  1. افتح مستند.
  2. قم بإنشاء TextFragmentAbsorber مثال.
  3. اتصل document.pages[page_number].accept(absorber) لمسح الصفحة المستهدفة.
  4. استرجع النص الكامل المستخرج من absorber.text.
  5. اكتب النتيجة إلى ملف وأغلق المستند.
import os
import aspose.pdf as ap


def extract_super_sub_text(infile, outfile, page_number=1):
    """
    Extract text (including superscript/subscript) from a specified page of a PDF and write to a text file.
    Args:
        infile (str): Path to input PDF file.
        outfile (str): Path to output text file.
        page_number (int): 1‑based index of the page to extract.
    """
    document = ap.Document(infile)
    try:
        absorber = ap.text.TextFragmentAbsorber()
        # Accept only the specific page for extraction
        document.pages[page_number].accept(absorber)
        extracted_text = absorber.text
        with open(outfile, "w", encoding="utf-8") as f:
            f.write(extracted_text)
    finally:
        document.close()

قم بالتكرار من خلال أجزاء النص لاكتشاف النص المرتفع/النص الفرعي

للفحص لكل جزء، قم بالتكرار absorber.text_fragments واقرأ text_state.superscript و text_state.subscript أعلام منطقية على كل منها جزء من النص.

  1. افتح مستند وقم بإنشاء ممتص أجزاء النص.
  2. اقبل أداة الامتصاص على الصفحة المستهدفة للتعبئة absorber.text_fragments.
  3. لكل جزء، اقرأ fragment.text, fragment.text_state.superscript، و fragment.text_state.subscript.
  4. اكتب النتائج إلى ملف الإخراج وأغلق المستند.
import os
import aspose.pdf as ap


def extract_super_sub_details(infile, outfile, page_number=1):
    """
    Extract details of each text fragment on a page, identifying superscript and subscript items.
    Args:
        infile (str): Path to input PDF file.
        outfile (str): Path to output text file.
        page_number (int): 1‑based page index.
    """
    document = ap.Document(infile)
    try:
        absorber = ap.text.TextFragmentAbsorber()
        document.pages[page_number].accept(absorber)

        with open(outfile, "w", encoding="utf-8") as f:
            for fragment in absorber.text_fragments:
                text = fragment.text
                is_sup = fragment.text_state.superscript  # True if superscript
                is_sub = fragment.text_state.subscript  # True if subscript
                f.write(
                    f"Text: '{text}' | Superscript: {is_sup} | Subscript: {is_sub}\n"
                )
    finally:
        document.close()
تحسين استخراج النص من ملفات PDF متعددة الأعمدة