PDF Get Words

Tipo: pdf-get-words · Paquete: PDF Activities v1.2.4 · Salida: List

Desde: v1.1.0

Extrae todas las palabras del PDF junto con su página y su caja delimitadora (posición y tamaño). Es la versión “con posición” de PDF Get Text: en vez de un bloque de texto, te dice dónde está cada palabra dentro de la página.

Cómo funciona

Recorre las páginas indicadas en orden ascendente y devuelve una lista plana de palabras (no agrupadas por página ni por línea): cada elemento lleva su propio número de página. Para ordenarlas por línea, usa y y luego x. No modifica el archivo.

Las coordenadas usan origen arriba-izquierda — el mismo que las imágenes y el OCR. Así, las palabras que devuelve esta actividad y las líneas que devuelve OCR Get Lines hablan el mismo idioma, y puedes localizar un valor en la página venga de donde venga.

Por defecto las coordenadas salen en puntos PDF (un punto es 1/72 de pulgada; una hoja A4 mide unos 595 × 842 puntos). Si indicas dpi, salen en píxeles de un render a esa resolución (puntos × dpi / 72): eso hace que cuadren con los archivos que genera PDF To Images al mismo dpi, y puedes recortar o dibujar sobre la imagen usando estas coordenadas directamente.

Parámetros requeridos

Parámetro	Tipo	Por defecto	Descripción
`path`	`string`	—	Ruta del archivo PDF.

Parámetros opcionales

Parámetro	Tipo	Por defecto	Descripción
`pages`	`string \| List`	`"all"`	Páginas a leer: `"all"` o un rango como `"1-3,5,7-9"`, o una lista de números como la de PDF Search Text. Desde la versión 1.2.4.
`dpi`	`int`	—	Si lo indicas, las coordenadas salen en píxeles de un render a esa resolución (cuadran con PDF To Images al mismo DPI). Sin valor, en puntos PDF. Entero entre `36` y `1200`.

Salida

Devuelve una List de diccionarios, una entrada por palabra:

Clave	Tipo	Qué es
`text`	`string`	La palabra.
`page`	`int`	Número de página (desde 1).
`x`	`number`	Distancia desde el borde izquierdo de la página hasta el inicio de la palabra.
`y`	`number`	Distancia desde el borde superior de la página hasta el borde superior de la palabra.
`width`	`number`	Ancho de la palabra.
`height`	`number`	Alto de la palabra.

Las cuatro medidas van en puntos PDF, o en píxeles si indicaste dpi, y tienen decimales. Si las páginas no tienen texto, la lista sale vacía.

[
  { "text": "TOTAL", "page": 1, "x": 72.0, "y": 640.5, "width": 38.2, "height": 9.1 },
  { "text": "1.250.000", "page": 1, "x": 450.3, "y": 640.5, "width": 52.8, "height": 9.1 }
]

Errores comunes

Mensaje	Causa y solución
`Página(s) fuera de rango: …. El documento tiene … páginas.`	El rango pide páginas que no existen.
`'dpi' debe ser un número entero. Se recibió: ….`	`dpi` no es un entero (p. ej. `"200.5"` o un texto).
`'dpi' debe estar entre 36 y 1200. Se recibió: ….`	Resolución fuera del rango admitido.
`No se encontró el archivo.` / `'path' es obligatorio.`	Ver Errores comunes del paquete.
Error de la biblioteca de PDF al abrir el archivo	PDF protegido con contraseña o dañado. Ver PDF protegidos y dañados.

Ejemplo

Renderizar el PDF y extraer las palabras con coordenadas que casan con las imágenes:

PDF To Images   path = rutaFactura   outputDir = "C:/temp/paginas"   dpi = 200   → output: imagenes
PDF Get Words   path = rutaFactura   dpi = 200   → output: palabras
Log   message = "Palabras: " + count(palabras)

Localizar dónde aparece un valor en la página:

PDF Get Words   path = ruta   pages = "1"   → output: palabras
For Each   items = palabras   itemVariable = palabra
 └─ activities:
      If   condition = palabra["text"] == "TOTAL"
       └─ then:
            Log   message = "TOTAL está en x=" + palabra["x"] + " y=" + palabra["y"]

Actividades relacionadas

PDF Get Text — el texto sin coordenadas.
PDF To Images — renderizar las páginas a imagen al mismo DPI.
OCR Get Lines — lo mismo, pero para PDF escaneados e imágenes.