Anotasi dan Teks Khusus menggunakan Python

Ekstrak Teks dari Anotasi Stempel

Gunakan TextAbsorber untuk mengekstrak teks yang tertanam dalam sebuah StampAnnotation appearance stream. Ini berguna ketika konten stempel dirender sebagai form XObject alih-alih disimpan sebagai teks biasa.

1. Buka Document.
2. Akses anotasi target dari page.annotations.
3. Verifikasi bahwa itu adalah StampAnnotation, lalu ambil XForm tampilan normalnya.
4. Berikan XForm ke TextAbsorber.visit() untuk mengekstrak teks yang disematkan.

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()

Ekstrak Teks yang Disorot

Iterasi anotasi halaman dan gunakan HighlightAnnotation.get_marked_text() untuk membaca rentang teks yang dicakup oleh setiap sorotan. Koleksi anotasi halaman bersifat 1-based.

1. Buka Document dan pilih halaman target.
2. Iterasi melalui page.annotations.
3. Gunakan is_assignable untuk memfilter HighlightAnnotation instansi.
4. Lakukan casting pada anotasi dan panggil get_marked_text() untuk mengambil konten yang disorot.

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())

Ekstrak Teks Superskrip dan Subskrip

Superskrip dan subskrip muncul secara sering dalam formula, ekspresi matematika, dan nama senyawa kimia. Aspose.PDF for Python via .NET mendukung ekstraksi konten ini melalui TextFragmentAbsorber, yang mendeteksi metadata penempatan tingkat karakter.

1. Buka Document.
2. Buat sebuah TextFragmentAbsorber instansi.
3. Panggilan document.pages[page_number].accept(absorber) untuk memindai halaman target.
4. Ambil teks lengkap yang diekstrak dari absorber.text.
5. Tuliskan hasil ke file dan tutup dokumen.

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()

Iterasi melalui Text Fragments untuk Mendeteksi Superscript/Subscript

Untuk inspeksi per-fragment, iterasi atas absorber.text_fragments dan baca itu text_state.superscript dan text_state.subscript bendera boolean pada masing-masing TextFragment.

1. Buka Document dan buat sebuah TextFragmentAbsorber.
2. Terima absorber pada halaman target untuk mengisi absorber.text_fragments.
3. Untuk setiap fragmen, baca fragment.text, fragment.text_state.superscript, dan fragment.text_state.subscript.
4. Tulis hasilnya ke file output dan tutup dokumen.

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()