Extraire le contenu tagué à partir d'un PDF

Dans cet article, vous apprendrez comment extraire le contenu tagué d’un document PDF en utilisant C#.

Le code suivant fonctionne également avec la bibliothèque Aspose.PDF.Drawing.

Obtenir le contenu PDF Tagué

Pour obtenir le contenu d’un document PDF avec du texte tagué, Aspose.PDF offre la propriété TaggedContent de la classe Document.

Le code suivant montre comment obtenir le contenu d’un document PDF avec du texte tagué :

// Pour des exemples complets et des fichiers de données, veuillez aller à https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// Le chemin vers le répertoire des documents.
string dataDir = RunExamples.GetDataDir_AsposePdf_WorkingDocuments();

// Créer un document Pdf
Document document = new Document();

// Obtenir le contenu pour travailler avec TaggedPdf
ITaggedContent taggedContent = document.TaggedContent;

//
// Travailler avec le contenu Pdf tagué
//

// Définir le titre et la langue pour le document
taggedContent.SetTitle("Simple Tagged Pdf Document");
taggedContent.SetLanguage("en-US");

// Sauvegarder le document PDF tagué
document.Save(dataDir + "TaggedPDFContent.pdf");

Obtention de la structure racine

Pour obtenir la structure racine d’un document PDF balisé, Aspose.PDF propose la propriété StructTreeRootElement de l’interface ITaggedContent et StructureElement. Le fragment de code suivant montre comment obtenir la structure racine d’un document PDF balisé :

// Pour des exemples complets et des fichiers de données, veuillez aller sur https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// Le chemin vers le répertoire des documents.
string dataDir = RunExamples.GetDataDir_AsposePdf_WorkingDocuments();

// Créer un document PDF
Document document = new Document();

// Obtenir le contenu pour travailler avec TaggedPdf
ITaggedContent taggedContent = document.TaggedContent;

// Définir le titre et la langue du document
taggedContent.SetTitle("Document PDF balisé");
taggedContent.SetLanguage("en-US");

// Les propriétés StructTreeRootElement et RootElement sont utilisées pour accéder à
// l'objet StructTreeRoot du document pdf et à l'élément de structure racine (élément de structure du document).
StructTreeRootElement structTreeRootElement = taggedContent.StructTreeRootElement;
StructureElement rootElement = taggedContent.RootElement;

Accès aux éléments enfants

Pour accéder aux éléments enfants d’un document PDF balisé, Aspose.PDF propose la classe ElementList. Le fragment de code suivant montre comment accéder aux éléments enfants d’un document PDF balisé :

// Pour des exemples complets et des fichiers de données, veuillez aller sur https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// Le chemin vers le répertoire des documents.
string dataDir = RunExamples.GetDataDir_AsposePdf_WorkingDocuments();

// Ouvrir le document PDF
Document document = new Document(dataDir + "StructureElementsTree.pdf");

// Obtenir le contenu pour travailler avec TaggedPdf
ITaggedContent taggedContent = document.TaggedContent;

// Accès à l'élément racine
ElementList elementList = taggedContent.StructTreeRootElement.ChildElements;
foreach (Element element in elementList)
{
    if (element is StructureElement)
    {
        StructureElement structureElement = element as StructureElement;

        // Obtenir les propriétés
        string title = structureElement.Title;
        string language = structureElement.Language;
        string actualText = structureElement.ActualText;
        string expansionText = structureElement.ExpansionText;
        string alternativeText = structureElement.AlternativeText;
    }
}

// Accès aux éléments enfants du premier élément dans l'élément racine
elementList = taggedContent.RootElement.ChildElements[1].ChildElements;
foreach (Element element in elementList)
{
    if (element is StructureElement)
    {
        StructureElement structureElement = element as StructureElement;

        // Définir les propriétés
        structureElement.Title = "titre";
        structureElement.Language = "fr-FR";
        structureElement.ActualText = "texte actuel";
        structureElement.ExpansionText = "exp";
        structureElement.AlternativeText = "alt";
    }
}

// Sauvegarder le document PDF balisé
document.Save(dataDir + "AccessChildElements.pdf");

Étiquetage des images dans un PDF existant

Pour étiqueter les images dans un document PDF existant, Aspose.PDF propose la méthode FindElements de la classe StructureElement. Vous pouvez ajouter un texte alternatif pour les figures en utilisant la propriété AlternativeText de la classe FigureElement.

Le fragment de code suivant montre comment étiqueter les images dans un document PDF existant :

// Pour des exemples complets et des fichiers de données, veuillez aller sur https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// Le chemin vers le répertoire des documents.
string dataDir = RunExamples.GetDataDir_AsposePdf_WorkingDocuments();
string inFile = dataDir + "TH.pdf";
string outFile = dataDir + "TH_out.pdf";
string logFile = dataDir + "TH_out.xml";

// Ouvrir le document
Document document = new Document(inFile);

// Obtient le contenu étiqueté et l'élément de structure racine
ITaggedContent taggedContent = document.TaggedContent;
StructureElement rootElement = taggedContent.RootElement;

// Définir le titre pour le document PDF étiqueté
taggedContent.SetTitle("Document avec images");

foreach (FigureElement figureElement in rootElement.FindElements<FigureElement>(true))
{
    // Définir le texte alternatif pour la figure
    figureElement.AlternativeText = "Texte alternatif de la figure (technique 2)";


    // Créer et définir l'attribut BBox
    StructureAttribute bboxAttribute = new StructureAttribute(AttributeKey.BBox);
    bboxAttribute.SetRectangleValue(new Rectangle(0.0, 0.0, 100.0, 100.0));

    StructureAttributes figureLayoutAttributes = figureElement.Attributes.GetAttributes(AttributeOwnerStandard.Layout);
    figureLayoutAttributes.SetAttribute(bboxAttribute);
}

// Déplacer l'élément Span dans le paragraphe (trouver le mauvais span et paragraphe dans le premier TD)
TableElement tableElement = rootElement.FindElements<TableElement>(true)[0];
SpanElement spanElement = tableElement.FindElements<SpanElement>(true)[0];
TableTDElement firstTdElement = tableElement.FindElements<TableTDElement>(true)[0];
ParagraphElement paragraph = firstTdElement.FindElements<ParagraphElement>(true)[0];

// Déplacer l'élément Span dans le paragraphe
spanElement.ChangeParentElement(paragraph);


// Sauvegarder le document
document.Save(outFile);



// Vérification de la conformité PDF/UA pour le document sortant
document = new Document(outFile);

bool isPdfUaCompliance = document.Validate(logFile, PdfFormat.PDF_UA_1);
Console.WriteLine(String.Format("Conformité PDF/UA : {0}", isPdfUaCompliance));