Extraer contenido etiquetado de PDFs en Python

En este artículo, aprenderá cómo extraer contenido etiquetado de documentos PDF usando Python.

Utilice estos ejemplos cuando necesite inspeccionar un Tagged PDF, leer el árbol de estructura lógica o validar que los Structure Elements se crearon correctamente para flujos de trabajo de accesibilidad.

Obtener contenido de Tagged PDF

Para obtener el contenido del documento PDF con texto etiquetado, Aspose.PDF ofrece tagged_content propiedad de Documento clase.

Cree un documento PDF avanzado y totalmente etiquetado con una tabla de contenido estructurada y jerárquica (TOC):

1. Crea un nuevo objeto Document.
2. Accede a la propiedad tagged_content.
3. Establece el título del documento usando ‘set_title()’.
4. Establece el idioma del documento usando ‘set_language()’.
5. Guardar el documento.

import aspose.pdf as ap
from aspose.pycore import cast
import sys
from os import path

# region Extract Tagged Content from PDF
def get_tagged_content(outfile):
    # Create PDF Document
    with ap.Document() as document:
        # Get Content for work with Tagged PDF
        tagged_content = document.tagged_content

        # Work with Tagged PDF content
        # Set Title and Language for Document
        tagged_content.set_title("Simple Tagged Pdf Document")
        tagged_content.set_language("en-US")

        # Save Tagged PDF Document
        document.save(outfile)

Obteniendo la estructura raíz

Los PDFs etiquetados contienen un árbol de estructura lógica que define la estructura semántica del documento. El StructTreeRoot representa la raíz de este árbol lógico, mientras que el RootElement proporciona una interfaz para interactuar con el elemento de estructura de nivel superior del documento.

El siguiente fragmento de código muestra cómo obtener la estructura raíz de un documento PDF etiquetado:

1. Crea un nuevo documento PDF etiquetado.
2. Accede al contenido etiquetado y establece los metadatos.
3. Accede a StructTreeRoot y RootElement.
4. Guarda el PDF etiquetado.

import aspose.pdf as ap
from aspose.pycore import cast
import sys
from os import path

def get_root_structure(outfile):

    # Create PDF Document
    with ap.Document() as document:
        # Get Content for work with Tagged PDF
        tagged_content = document.tagged_content

        # Set Title and Language for Document
        tagged_content.set_title("Tagged Pdf Document")
        tagged_content.set_language("en-US")

        # Properties StructTreeRootElement and RootElement are used for access to
        # StructTreeRoot object of pdf document and to root structure element (Document structure element).
        struct_tree_root_element = tagged_content.struct_tree_root_element
        root_element = tagged_content.root_element

        print(f"StructTreeRootElement: {struct_tree_root_element}")
        print(f"RootElement: {root_element}")

        # Save Tagged PDF Document
        document.save(outfile)

Accediendo a los elementos secundarios

Los PDFs con etiquetado (Tagged PDFs) contienen un árbol de estructura lógica que define la jerarquía semántica del documento (títulos, párrafos, formularios, listas, etc.). Acceder y modificar estos elementos de estructura le permite:

• Inspeccionar metadatos como el título, el idioma, actual_text y propiedades relacionadas con la accesibilidad
• Actualizar propiedades para mejorar la accesibilidad o la localización
• Ajustar programáticamente la estructura lógica del documento para el cumplimiento de PDF/UA

El siguiente fragmento de código muestra cómo acceder a los elementos hijos de un Tagged PDF Document:

import aspose.pdf as ap
from aspose.pycore import cast
import sys
from os import path

def access_child_elements(infile, outfile):

    # Open PDF Document
    with ap.Document(infile) as document:
        # Get Content for work with Tagged PDF
        tagged_content = document.tagged_content

        # Access to root element(s)
        element_list = tagged_content.struct_tree_root_element.child_elements

        for element in element_list:
            if isinstance(element, ap.logicalstructure.StructureElement):
                structure_element = cast(ap.logicalstructure.StructureElement, element)
                # Get properties
                print(
                    "StructureElement properties - "
                    f"title: {structure_element.title}, "
                    f"language: {structure_element.language}, "
                    f"actual_text: {structure_element.actual_text}, "
                    f"expansion_text: {structure_element.expansion_text}, "
                    f"alternative_text: {structure_element.alternative_text}"
                )

        # Access to child elements of first element in root element
        element_list = tagged_content.root_element.child_elements[1].child_elements
        for element in element_list:
            if isinstance(element, ap.logicalstructure.StructureElement):
                structure_element = element

                # Set properties
                structure_element.title = "title"
                structure_element.language = "fr-FR"
                structure_element.actual_text = "actual text"
                structure_element.expansion_text = "exp"
                structure_element.alternative_text = "alt"

        # Save Tagged PDF Document
        document.save(outfile)

Temas relacionados de Tagged PDF

• Crear Tagged PDF para crear documentos etiquetados accesibles antes de inspeccionar su estructura.
• Configuración de propiedades de Structure Elements para actualizar las propiedades semánticas después de extraer los elementos de estructura.
• Trabajando con tablas en PDF etiquetados para flujos de trabajo de accesibilidad de tablas etiquetadas.