/*
 * TET を使用したテキストの抽出
 * 
 * 必要な製品 : TET 5
 * 
 * 必要なデー: PDF 文書
 * 
 */
package com.pdflib.cookbook.tet.text;

import java.io.PrintStream;
import java.io.UnsupportedEncodingException;

import com.pdflib.TETException;
import com.pdflib.TET;

public class text_extractor {
    /*
     * グローバルオプションリスト
     */
    static final String GLOBAL_OPTLIST = "searchpath={../resource/cmap " + "../resource/glyphlist ../input}";

    /*
     * 文書のオプションリスト
     */
    static final String DOC_OPTLIST = "";

    /*
     * ページのオプションリスト
     */
    static final String PAGE_OPTLIST = "granularity=page";

    /*
     * テキストの各塊の後に出力されるセパレータ。
     * これはアプリケーションの必要性によるもの。granularity=wordの場合、スペース文字が
     * 有用となる場合がある。
     */
    static final String SEPARATOR = "\n";

    /*
     * System.out に送られるエンコーディング
     */
    private static final String OUTPUT_ENCODING = System.getProperty("file.encoding");

    /*
     * 取得したエンコーディング(OUTPUT_ENCODING)を元に System.outより出力
     */
    private static PrintStream out;

    public static void main(String argv[]) throws UnsupportedEncodingException {
        System.out.println("Using output encoding \"" + OUTPUT_ENCODING + "\"");
        out = new PrintStream(System.out, true, OUTPUT_ENCODING);

        TET tet = null;

        try {
            if (argv.length != 1) {
                throw new Exception("usage: text_extractor <filename>");
            }

            tet = new TET();
            tet.set_option(GLOBAL_OPTLIST);

            int doc = tet.open_document(argv[0], DOC_OPTLIST);
            if (doc == -1) {
                throw new Exception(
                        "Error " + tet.get_errnum() + "in " + tet.get_apiname() + "(): " + tet.get_errmsg());
            }

            /* PDF文書のページ数を取得する */
            int n_pages = (int) tet.pcos_get_number(doc, "length:pages");

            /* PDF文書のページ分ループする */
            for (int pageno = 1; pageno <= n_pages; ++pageno) {
                String text;
                int page = tet.open_page(doc, pageno, PAGE_OPTLIST);

                if (page < 0) {
                    print_tet_error(tet, pageno);
                    continue; /* 次のページへ */
                }

                /*
                 * テキストを取得する； これは" granularity=page" を指定している場合は
                 * 必要のない処理であり、他の取得単位の場合必要となる。
                 */
                while ((text = tet.get_text(page)) != null) {
                    /* 全ての文字分ループする */
                    while (tet.get_char_info(page) != -1) {
                        /*
                         * 以下に、フォント名を取り出す方法を示す。
                         * 位置情報が必要な場合はx,y座標より取り出すことができる。
                         * fontname変数は使用しておらす、警告を避けるためコメントアウト
                         * している
                         */
                        /* String fontname = */
                        tet.pcos_get_string(doc, "fonts[" + tet.fontid + "]/name");
                    }

                    /* 取得したテキストを出力する */
                    out.print(text);

                    /* 抽出したテキストのまとまりの間に区切り文字を挿入する */
                    out.print(SEPARATOR);
                }

                if (tet.get_errnum() != 0) {
                    print_tet_error(tet, pageno);
                }

                tet.close_page(page);
            }

            tet.close_document(doc);
        } catch (TETException e) {
            System.err.println("TET exception occurred in extractor sample:");
            System.err.println("[" + e.get_errnum() + "] " + e.get_apiname() + ": " + e.get_errmsg());
            System.exit(1);
        } catch (Exception e) {
            System.err.println(e);
            System.exit(1);
        } finally {
            if (tet != null) {
                tet.delete();
            }
        }
    }

    /*
     * TET のエラーを報告する
     * 
     * @param tet    TET オブジェクト
     * @param pageno エラーが発生したページ番号
     */
    private static void print_tet_error(TET tet, int pageno) {
        System.err.println("Error " + tet.get_errnum() + " in " + tet.get_apiname() + "() on page " + pageno + ": "
                + tet.get_errmsg());
    }
}