Extrair Conteúdo Marcado de PDF
Contents
[
Hide
]
Neste artigo, você aprenderá como extrair conteúdo marcado de um documento PDF usando C#.
O trecho de código a seguir também funciona com a biblioteca Aspose.PDF.Drawing.
Obtendo Conteúdo de PDF Marcado
Para obter o conteúdo de um Documento PDF com Texto Marcado, Aspose.PDF oferece a propriedade TaggedContent da classe Document.
O seguinte trecho de código mostra como obter o conteúdo de um documento PDF com Texto Marcado:
// Para exemplos completos e arquivos de dados, por favor, vá para https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// O caminho para o diretório de documentos.
string dataDir = RunExamples.GetDataDir_AsposePdf_WorkingDocuments();
// Criar Documento Pdf
Document document = new Document();
// Obter Conteúdo para trabalhar com TaggedPdf
ITaggedContent taggedContent = document.TaggedContent;
//
// Trabalhar com conteúdo de Pdf marcado
//
// Definir Título e Idioma para o Documento
taggedContent.SetTitle("Documento Pdf Marcado Simples");
taggedContent.SetLanguage("en-US");
// Salvar Documento Pdf Marcado
document.Save(dataDir + "TaggedPDFContent.pdf");
Obtendo a Estrutura Raiz
Para obter a estrutura raiz de um Documento PDF Tagged, o Aspose.PDF oferece a propriedade StructTreeRootElement da interface ITaggedContent e StructureElement. O seguinte trecho de código mostra como obter a estrutura raiz de um Documento PDF Tagged:
// Para exemplos completos e arquivos de dados, por favor, vá para https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// O caminho para o diretório de documentos.
string dataDir = RunExamples.GetDataDir_AsposePdf_WorkingDocuments();
// Criar Documento Pdf
Document document = new Document();
// Obter Conteúdo para trabalhar com TaggedPdf
ITaggedContent taggedContent = document.TaggedContent;
// Definir Título e Idioma para o Documento
taggedContent.SetTitle("Documento PDF Tagged");
taggedContent.SetLanguage("en-US");
// As propriedades StructTreeRootElement e RootElement são usadas para acesso ao
// objeto StructTreeRoot do documento pdf e ao elemento de estrutura raiz (elemento de estrutura do Documento).
StructTreeRootElement structTreeRootElement = taggedContent.StructTreeRootElement;
StructureElement rootElement = taggedContent.RootElement;
Acessando Elementos Filhos
Para acessar elementos filhos de um Documento PDF Marcado, Aspose.PDF oferece a classe ElementList. O trecho de código a seguir mostra como acessar elementos filhos de um Documento PDF Marcado:
// Para exemplos completos e arquivos de dados, por favor, vá para https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// O caminho para o diretório de documentos.
string dataDir = RunExamples.GetDataDir_AsposePdf_WorkingDocuments();
// Abrir Documento Pdf
Document document = new Document(dataDir + "StructureElementsTree.pdf");
// Obter Conteúdo para trabalhar com TaggedPdf
ITaggedContent taggedContent = document.TaggedContent;
// Acesso ao(s) elemento(s) raiz
ElementList elementList = taggedContent.StructTreeRootElement.ChildElements;
foreach (Element element in elementList)
{
if (element is StructureElement)
{
StructureElement structureElement = element as StructureElement;
// Obter propriedades
string title = structureElement.Title;
string language = structureElement.Language;
string actualText = structureElement.ActualText;
string expansionText = structureElement.ExpansionText;
string alternativeText = structureElement.AlternativeText;
}
}
// Acesso aos elementos filhos do primeiro elemento na raiz
elementList = taggedContent.RootElement.ChildElements[1].ChildElements;
foreach (Element element in elementList)
{
if (element is StructureElement)
{
StructureElement structureElement = element as StructureElement;
// Definir propriedades
structureElement.Title = "title";
structureElement.Language = "fr-FR";
structureElement.ActualText = "actual text";
structureElement.ExpansionText = "exp";
structureElement.AlternativeText = "alt";
}
}
// Salvar Documento PDF Marcado
document.Save(dataDir + "AccessChildElements.pdf");
Marcação de Imagens em PDF Existente
Para marcar imagens em um documento PDF existente, o Aspose.PDF oferece o método FindElements da classe StructureElement. Você pode adicionar texto alternativo para figuras usando a propriedade AlternativeText da classe FigureElement.
O seguinte trecho de código mostra como marcar imagens em um documento PDF existente:
// Para exemplos completos e arquivos de dados, por favor, vá para https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// O caminho para o diretório de documentos.
string dataDir = RunExamples.GetDataDir_AsposePdf_WorkingDocuments();
string inFile = dataDir + "TH.pdf";
string outFile = dataDir + "TH_out.pdf";
string logFile = dataDir + "TH_out.xml";
// Abrir documento
Document document = new Document(inFile);
// Obtém o conteúdo marcado e o elemento de estrutura raiz
ITaggedContent taggedContent = document.TaggedContent;
StructureElement rootElement = taggedContent.RootElement;
// Define título para o documento PDF marcado
taggedContent.SetTitle("Documento com imagens");
foreach (FigureElement figureElement in rootElement.FindElements<FigureElement>(true))
{
// Define o Texto Alternativo para a Figura
figureElement.AlternativeText = "Texto alternativo da figura (técnica 2)";
// Criar e Definir Atributo 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);
}
// Mover Elemento Span para Parágrafo (encontrar span errado e parágrafo no primeiro 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];
// Mover Elemento Span para Parágrafo
spanElement.ChangeParentElement(paragraph);
// Salvar documento
document.Save(outFile);
// Verificando conformidade com PDF/UA para documento de saída
document = new Document(outFile);
bool isPdfUaCompliance = document.Validate(logFile, PdfFormat.PDF_UA_1);
Console.WriteLine(String.Format("Conformidade com PDF/UA: {0}", isPdfUaCompliance));
<script type="application/ld+json">
{
"@context": "http://schema.org",
"@type": "SoftwareApplication",
"name": "Aspose.PDF for .NET Library",
"image": "https://www.aspose.cloud/templates/aspose/img/products/pdf/aspose_pdf-for-net.svg",
"url": "https://www.aspose.com/",
"publisher": {
"@type": "Organization",
"name": "Aspose.PDF",
"url": "https://products.aspose.com/pdf",
"logo": "https://www.aspose.cloud/templates/aspose/img/products/pdf/aspose_pdf-for-net.svg",
"alternateName": "Aspose",
"sameAs": [
"https://facebook.com/aspose.pdf/",
"https://twitter.com/asposepdf",
"https://www.youtube.com/channel/UCmV9sEg_QWYPi6BJJs7ELOg/featured",
"https://www.linkedin.com/company/aspose",
"https://stackoverflow.com/questions/tagged/aspose",
"https://aspose.quora.com/",
"https://aspose.github.io/"
],
"contactPoint": [
{
"@type": "ContactPoint",
"telephone": "+1 903 306 1676",
"tipo de contato": "vendas",
"área servida": "US",
"idioma disponível": "en"
},
{
"@type": "ContactPoint",
"telephone": "+44 141 628 8900",
"tipo de contato": "vendas",
"área servida": "GB",
"idioma disponível": "en"
},
{
"@type": "ContactPoint",
"telephone": "+61 2 8006 6987",
"tipo de contato": "vendas",
"área servida": "AU",
"idioma disponível": "en"
}
]
},
"offers": {
"@type": "Offer",
"price": "1199",
"moeda do preço": "USD"
},
"categoria da aplicação": "Biblioteca de Manipulação de PDF para .NET",
"downloadUrl": "https://www.nuget.org/packages/Aspose.PDF/",
"sistema operacional": "Windows, MacOS, Linux",
"screenshot": "https://docs.aspose.com/pdf/net/create-pdf-document/screenshot.png",
"versão do software": "2022.1",
"avaliação agregada": {
"@type": "AggregateRating",
"valor da avaliação": "5",
"contagem de avaliações": "16"
}
}
</script>