Извлечение аннотаций и специального текста с помощью Python

Извлечение текста из stamp-аннотаций

Используйте TextAbsorber, чтобы извлекать текст, встроенный в поток внешнего вида StampAnnotation. Это полезно, когда содержимое штампа визуализируется как form XObject, а не хранится как обычный текст.

  1. Откройте Document.
  2. Получите доступ к целевой аннотации из page.annotations.
  3. Убедитесь, что это StampAnnotation, затем получите её XForm нормального внешнего вида.
  4. Передайте XForm в TextAbsorber.visit(), чтобы извлечь встроенный текст.
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()

Извлечение выделенного текста

Переберите аннотации страницы и используйте HighlightAnnotation.get_marked_text(), чтобы читать текстовые фрагменты, покрытые каждым выделением. Коллекция аннотаций страницы индексируется с 1.

  1. Откройте Document и выберите целевую страницу.
  2. Переберите page.annotations.
  3. Используйте is_assignable, чтобы отфильтровать экземпляры HighlightAnnotation.
  4. Приведите аннотацию к нужному типу и вызовите get_marked_text(), чтобы получить выделенное содержимое.
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())

Извлечение надстрочного и подстрочного текста

Надстрочные и подстрочные элементы часто встречаются в формулах, математических выражениях и названиях химических соединений. Aspose.PDF for Python via .NET поддерживает извлечение такого содержимого через TextFragmentAbsorber, который определяет метаданные позиционирования на уровне символов.

  1. Откройте Document.
  2. Создайте экземпляр TextFragmentAbsorber.
  3. Вызовите document.pages[page_number].accept(absorber), чтобы обработать целевую страницу.
  4. Получите полный извлечённый текст из absorber.text.
  5. Запишите результат в файл и закройте документ.
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()

Переберите текстовые фрагменты для определения надстрочного и подстрочного текста

Для анализа по отдельным фрагментам переберите absorber.text_fragments и прочитайте логические флаги text_state.superscript и text_state.subscript у каждого TextFragment.

  1. Откройте Document и создайте TextFragmentAbsorber.
  2. Примените поглотитель к целевой странице, чтобы заполнить absorber.text_fragments.
  3. Для каждого фрагмента прочитайте fragment.text, fragment.text_state.superscript и fragment.text_state.subscript.
  4. Запишите результаты в выходной файл и закройте документ.
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()
Извлечение текста из многоколоночных PDF