Anotaciones y Texto Especial usando Python

Extraer Texto de Anotaciones de Sello

Usar TextAbsorber para extraer texto incrustado en un StampAnnotation flujo de apariencia. Esto es útil cuando el contenido del sello se renderiza como un XObject de formulario en lugar de almacenarse como texto plano.

1. Abrir el Documento.
2. Acceder a la anotación de destino desde page.annotations.
3. Verifique que es un StampAnnotation, luego recupere su apariencia normal XForm.
4. Pasar el XForm a TextAbsorber.visit() para extraer el texto incrustado.

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()

Extraer texto resaltado

Iterar sobre las anotaciones de una página y usar HighlightAnnotation.get_marked_text() para leer los fragmentos de texto cubiertos por cada resaltado. La colección de anotaciones de la página está basada en 1.

1. Abrir el Documento y seleccione la página de destino.
2. Recorrer page.annotations.
3. Usar is_assignable para filtrar HighlightAnnotation instancias.
4. Convierta la anotación y llame get_marked_text() para recuperar el contenido resaltado.

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())

Extraer texto en superíndice y subíndice

Los superíndices y subíndices aparecen con frecuencia en fórmulas, expresiones matemáticas y nombres de compuestos químicos. Aspose.PDF for Python via .NET admite extraer este contenido a través TextFragmentAbsorber, que detecta metadatos de posicionamiento a nivel de carácter.

1. Abrir el Documento.
2. Crear un TextFragmentAbsorber instancia.
3. Llamar document.pages[page_number].accept(absorber) para escanear la página objetivo.
4. Recuperar el texto extraído completo de absorber.text.
5. Escriba el resultado en un archivo y cierre el documento.

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()

Iterar a través de fragmentos de texto para detectar superíndice/subíndice

Para la inspección por fragmento, iterar sobre absorber.text_fragments y leer el text_state.superscript y text_state.subscript banderas booleanas en cada TextFragment.

1. Abrir el Documento y crear un TextFragmentAbsorber.
2. Aceptar el absorber en la página de destino para poblar absorber.text_fragments.
3. Para cada fragmento, lea fragment.text, fragment.text_state.superscript, y fragment.text_state.subscript.
4. Escriba los resultados en el archivo de salida y cierre el documento.

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()