PDF からレイアウトを考慮したコンテンツを抽出

サポート対象：バッチ、高速

PDF のページからレイアウトを考慮したコンテンツを抽出します。境界ボックス、テキストコンテンツ、ブロックの種類を含む構造化されたブロックを返します。OCR モードと出力形式を設定できます。

式のカテゴリー： メディア

引数

• 検出する言語： PDF 内で検出する言語です。
  Set<Enum<Afrikaans, Albanian, Amharic, Arabic, Armenian, Assamese, Azerbaijani, Azerbaijani - Cyrilic, Basque, Belarusian, and more ...>>
• メディア参照： メディアセット内の PDF ファイルへの Media Reference を含む列です。
  Expression<Media reference>
• 検出する文字体系： PDF 内で検出する文字体系です。
  Set<Enum<Arabic, Armenian, Bengali, Canadian Aboriginal, Cherokee, Cyrillic, Devanagari, Ethiopic, Fraktur, Georgian, and more ...>>
• 任意 終了ページ： ページ範囲の終了ページ（この値を含む）です。値を指定しない場合は、最後のページになります。
  Expression<Integer>
• 任意 エラー処理： 処理に失敗した入力に対するパイプラインの動作を指定します。
  Enum<FAIL, NULL>
• 任意 抽出方法： テキストの抽出方法を選択します。条件付きスキャンは、ベストエフォートの検出を使用して、デジタルテキストがほとんどない、またはまったくないページをスキャンします。デジタルテキストは、埋め込みのデジタルテキストを抽出します。全ページスキャンは、すべてのページをスキャンします。
  Enum<Conditional Scan, Digital Text, Full-page Scan>
• 任意 出力形式： ブロック内の抽出されたテキストコンテンツの形式です。
  Enum<HTML, Markdown, Text, hOCR>
• 任意 開始ページ： ページ範囲の開始ページです。値を指定しない場合は、最初のページになります。
  Expression<Integer>

出力タイプ： Array<Array<Struct<block_index, block_id, page, block_type, content, bounding_box, languages<String>, confidence>>>

例

例1：基本ケース

引数の値：

• 検出する言語： {ENG}
• メディア参照： mediaReference
• 検出する文字体系： {}
• 終了ページ： End Page
• エラー処理： FAIL_FAST
• 抽出方法： AUTO
• 出力形式： TEXT
• 開始ページ： Start Page

---