Python에서 PDF의 태그된 콘텐츠 추출

이 문서에서는 Python을 사용하여 PDF 문서에서 태그된 콘텐츠를 추출하는 방법을 배웁니다.

tagged PDF를 검사하거나 논리 구조 트리를 읽거나, 접근성 워크플로를 위해 구조 요소가 올바르게 생성되었는지 검증해야 할 때 이러한 예제를 사용하십시오.

Tagged PDF 콘텐츠 가져오기

Tagged Text가 포함된 PDF 문서의 콘텐츠를 가져오기 위해, Aspose.PDF는 제공합니다 tagged_content 속성 문서 클래스.

고급이며 완전하게 태그된 PDF 문서를 구조화되고 계층적인 목차 (TOC)와 함께 생성하십시오:

새 Document 객체를 생성합니다.
tagged_content 속성에 접근합니다.
‘set_title()‘을 사용하여 문서 제목을 설정합니다.
‘set_language()‘을 사용하여 문서 언어를 설정합니다.
문서를 저장합니다.

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)

루트 구조 가져오기

Tagged PDF에는 문서의 의미 구조를 정의하는 논리적 구조 트리가 포함됩니다. StructTreeRoot는 이 논리적 트리의 루트를 나타내며, RootElement는 문서의 최상위 구조 요소와 상호 작용할 수 있는 인터페이스를 제공합니다.

다음 코드 스니펫은 Tagged PDF 문서의 루트 구조를 가져오는 방법을 보여줍니다:

새 태그가 지정된 PDF 문서를 만듭니다.
태그가 지정된 컨텐츠에 접근하고 메타데이터를 설정합니다.
StructTreeRoot와 RootElement에 접근합니다.
태그가 지정된 PDF를 저장합니다.

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)

자식 요소에 접근하기

Tagged PDF는 문서의 의미 계층 구조(제목, 단락, 양식, 목록 등)를 정의하는 논리 구조 트리를 포함합니다. 이러한 구조 요소에 접근하고 수정하면 다음을 수행할 수 있습니다:

title, language, actual_text 및 접근성 관련 속성과 같은 메타데이터를 검사합니다
접근성 또는 현지화를 향상시키기 위해 속성을 업데이트합니다
PDF/UA 준수를 위해 논리 문서 구조를 프로그래밍 방식으로 조정합니다

다음 코드 스니펫은 Tagged PDF 문서의 하위 요소에 액세스하는 방법을 보여줍니다:

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)

Python에서 PDF의 태그된 콘텐츠 추출

Tagged PDF 콘텐츠 가져오기

루트 구조 가져오기

자식 요소에 접근하기

관련 Tagged PDF 주제