Извлечение маркированного контента из PDF на Python

В этой статье вы узнаете, как извлечь маркированный контент из PDF‑документов с помощью Python.

Используйте эти примеры, когда вам нужно проверить Tagged PDF, прочитать дерево логической структуры или убедиться, что Structure Elements созданы правильно для рабочих процессов по обеспечению доступности.

Получение содержимого Tagged PDF

Чтобы получить содержимое PDF Document с Tagged Text, Aspose.PDF предлагает tagged_content свойство Document класс.

Создайте продвинутый, полностью помеченный PDF Document со структурированным и иерархическим Table of Contents (TOC):

  1. Создайте новый объект Document.
  2. Обратитесь к свойству tagged_content.
  3. Установите заголовок документа, используя ‘set_title()’.
  4. Установите язык документа, используя ‘set_language()’.
  5. Сохраните документ.
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)

Получение корневой структуры

Tagged PDFs содержат логическое дерево структуры, которое определяет семантическую структуру документа. StructTreeRoot представляет корень этого логического дерева, в то время как RootElement предоставляет интерфейс для взаимодействия с элементом верхнего уровня структуры документа.

Следующий фрагмент кода показывает, как получить корневую структуру Tagged PDF Document:

  1. Создайте новый документ Tagged PDF.
  2. Получите доступ к тегированному содержимому и задайте метаданные.
  3. Получите доступ к StructTreeRoot и RootElement.
  4. Сохраните тегированный PDF.
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)

Доступ к дочерним элементам

Tagged PDFs содержат логическое дерево структуры, определяющее семантическую иерархию документа (заголовки, абзацы, формы, списки и т.д.). Доступ к этим структурным элементам и их изменение позволяют вам:

  • Проверьте метаданные, такие как title, language, actual_text, и свойства, связанные с доступностью
  • Обновите свойства для улучшения доступности или локализации
  • Программно изменить логическую структуру документа для соответствия требованиям PDF/UA

Следующий фрагмент кода показывает, как получить доступ к дочерним элементам 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)

Связанные темы Tagged PDF

Создать Tagged PDF на Python Установка свойства элементов структуры Tagged PDF в Python