3-Heights™ PDF Extract – Inhalte, Ressourcen und Metadaten extrahieren

Informationen werden ja nach Objekt Typ extrahiert. Folgende Objekte und deren Eigenschaften sind unterstützt:

Dokument

• Dokumentenattribute abfragen, dazu gehören:
  • Autor
  • Titel
  • Thema
  • Schlüsselwörter
  • Ersteller (Creator)
  • Erzeuger (Producer)
  • Erstellungsdatum
  • Modifikationsdatum

• Ist Dokument verschlüsselt?
• Ist Dokument linearisiert (optimiert für schnelle Webanzeige)?
• PDF Version, z. B. 1.4, 1.7
• Dokument aus Datei oder speicherresident lesen
• Anzahl Seiten abfragen
• Eigenschaften von Lesezeichen
• Seitenbezeichnung abfragen (z. B. «vii», «IX»)
• Eigenschaften von Ressourcen (Bild, Farbraum, Schriften)
• Destinationen
• Eingebettete Dateien auflisten und extrahieren
• Optionalen Inhalt (Layers) auflisten und setzen

Seite

• Seitengrösse (Media Box) und andere Grössen wie sichtbare Grösse (Crop Box) oder für den Druck relevante Grössen (Trim Box, Art Box, Bleed Box)
• Gerätefarbe (Device Colorant)
• Rotation für die Anzeige
• Seiteninhalt (page content)
• Annotationen

Seiteninhalt

• Zum nächsten Objekt (Objekt, Bild, Text, Pfad) springen und dessen Eigenschaften abfragen (Bild, Text)
• Aktuellen Grafikstatus abfragen

Text

• Text zeichenweise, wortweise oder seitenweise als Unicode extrahieren
• Unterstützung von Texten, welche keine Leerzeichen enthalten
• Koordinaten (X, Y)
• Umhüllende Box (Bounding Box)
• Schriftgrösse in Punkten
• Länge in Punkten
• Länge in Zeichen
• Rotation

Schrift Art

• Alle, durchschnittliche, Standard Missing Width und maximale Glyph Breiten
• Base Name
• Höhe von Gross- und Kleinbuchstaben
• Vorhandene Charakternamen der Schriftuntergruppe
• Kodierung
• Flags
• Bounding Box
• Datenstrom Schriftenprogramme
• Typ (z. B. TrueType, Type1)
• Neigungswinkel bei kursiven Schriften
• Empfohlener Abstand zwischen Grundlinie und darauffolgender Linie (leading)
• Vertikale und horizontale Breite der Glyph Stems

Farbraum

• Grundfarbraum
• Farbe (Colorant)
• Komponenten per Pixel
• Den höchsten Indexwert bei indizierten Farbräumen
• Farbraum (Farbe, indiziert, monochrom)
• Lookup Tabelle
• Name

Bild

• Höhe und Breite in Pixel
• Auflösung (DPI)
• Anzahl Bits pro Kanal
• Farbraum (bitonal, monochrome, Farbe)
• Nach RGB konvertieren
• Alternatives Bild
• Bild extrahieren (auf Datei oder speicherresident) und Orientierung setzen
• Kompression des gespeicherten TIFF Bildes setzen (Flate, CCITT G3, G3‑2D, G4, JPEG, LZW, keine)
• Maske, Transparenz Maske
• Alternatives Bild und ob dieses standardmässig zum Druck verwendet werden soll

Grafikstatus

• Blend Mode
• Abstand zwischen Zeichen und Worten (character spacing, word spacing)
• Aktuelle Transformationsmatrix
• Elemente und Phase eines Strichmusters (dash pattern)
• Farbraum der Füll- und Linienfarbe
• Füll- und Linienfarbe als RGB oder CMYK Wert
• Überdruckeinstellungen der Füll- und Linienfarbe (over print)
• Alphakonstante der Füll- und Linienfarbe
• Flatness Tolerance
• Schrift und Schriftgrösse (siehe Schrift)
• Horizontale Skalierung
• Textstil (leading, line spacing)
• Linienstil (line cap, line join, miter limit) und Linienbreite
• Name des Rendering Intents
• Smoothness Tolerance
• Softmaske
• Text Knockout
• Text Rendering Modus
• Textverschiebung (nach unten oder oben)

Transformationsmatrix

• Transformationswerte
• Orientierung
• Rotation
• Skalierung in X- und Y-Richtung
• Verschiebung in X- und Y-Richtung
• Schrägstellung (skewing) in X- und Y-Richtung

Annotation

• Annotationstyp
• Farbe
• Inhalt
• Datum
• Destination
• Flags
• MarkUp Annotation
• Name
• Position (Rechteck)
• Thema
• TextLabel
• URL
• Eckpunkte, falls es sich um ein Polygon handelt

Lesezeichen

• Anzahl
• Destination
• Titel

Destination

• Position (Koordinaten von links unten, rechts oben)
• Typ
• Seitenzahl

Posteingang und Dokumentverarbeitung

Inhaltsteile von PDF Dateien, z. B. von Formularen oder gescannten Eingangsrechnungen, werden extrahiert und für die Charakterisierung oder Indexierung aufbereitet.

Postausgang

PDF Dokumente werden umstrukturiert, um diese für andere Zielgruppen optimal aufzubereiten. Verarbeitungsinformationen wie Barcodes, Adressinformationen oder Seitenformate können ausgelesen und für die Steuerung von Druck- und Verpackungsstrassen oder Sortierungsprozesse verwendet werden.

Archivierung

Texte oder deren Bestandteile werden für eine separate Speicherung in den Metadaten extrahiert. Damit lässt sich die Indexierung der Dokumente bedürfnisgerecht erweitern.

Weitere Einsatzgebiete

• Umwandlung von PDF in Textdateien
• Auszug von Informationen wie Adressen, Rechnungsdaten, Berichtsdaten aus Dokumenten für die Prozesssteuerung
• Auszug von Informationen für die Dokumentenklassifikation und Dokumentenindexierung
• Verarbeitung von Formulardaten
• Auszug von Bildern für die Weiterverarbeitung (Scans, Fotos usw.)
• Analyse und Auswertung von Inhalten in PDF Dokumenten in der Massenverarbeitung