PDFlib TET 5 - Neue Features

Die erste Version von PDFlib TET wurde 2002 veröffentlicht. Seither ist TET für Tausende von Kunden aus aller Welt die Lösung für die Extraktion von PDF-Inhalten. Mit der Hauptversion TET 5 haben wir unser solides Extraktionswerkzeug weiter verbessert. Neben vielen kleineren Verbesserungen bei der PDF-Verarbeitung bieten wir viele signifikante funktionale Erweiterungen, vor allem bei der Bildextraktion, der Abfrage von Farbinformationen sowie TETML-Inhalten.

Was ist neu in PDFlib TET 5.3?

Folgende Features sind neu oder wurden für TET 5.3 erheblich verbessert:

• optimierte Verarbeitung von PDF-Ressourcen für höheren Durchsatz bei Dokumenten mit extrem hoher Anzahl von Bildern, Patterns oder anderen Ressourcen
• Sicherheits- und Performance-Updates all Drittkomponenten
• robuste Verarbeitung beschädigter und illegaler PDF-Dokumente durch Test mit dem vollständigen PDF-Testkorpus »Issue Tracker« mit zehntausenden problematischen PDF-Dokumenten überprüft
• erweiterte Plattform- und CPU-Unterstützung, z.B. macOS auf ARM64 und Linux auf ARM64
• Zeitlimit kann angegeben werden, um die Verarbeitungszeit für lange oder komplexe Dokumente zu begrenzen
• Verbesserungen in allen Sprachbindungen und Updates für die neuesten Sprachversionen, z.B. .NET 5, PHP 8, Perl 5.32 und Ruby 3.0
• Unterstützung nativer Unicode-Strings für UTF-8, UTF-16 und UTF-32 in C++17 und C++20
• Erkennung bestimmer Angriffskonstrukte, die mit legalen PDF-Elementen übermäßig große Datenstrukturen aufbauen
• TETML für Sonderfälle verbessert
• verbesserte Erkennung von Wort- und Absatzgrenzen sowie Listen
• Unterstützung von Unicode 13
• bessere Performance mit Classic .NET
• viele kleinere Bugfixes und Verbesserungen
• Character Collections und CMaps für PDF 2.0 aktualisiert

Was ist neu in PDFlib TET 5.2?

Folgende Features sind neu oder wurden für TET 5.2 erheblich verbessert:

• Verbesserte Tabellenerkennung mit Identifizierung von Zellen, die mehrere Zeilen oder Spalten umfassen
• Markierung von Artefakten (irrelevante Texte und Bilder) in TETML und der Programmierschnittstelle
• Extraktion von Text und Bilder aus Kommentaren und Füllmustern (Patterns)
• Verarbeitung von Inline-Bildern und Bildern in Soft Masks (Graphics State mit Transparenzgruppe)
• Neue Sprachbindung für .NET Core
• Verbesserungen in allen Sprachbindungen und Aktualisierungen für die neuesten Sprachversionen
• Viele Fehlerkorrekturen, Verbesserungen und Workarounds für beschädigte PDF-Dateien
• Sicherheits-Updates für Fremdbibliotheken
• Optional können Textfarben in Separation und DeviceN in der einfacheren Alternativfarbe abgefragt werden statt im komplexen ursprünglichen Farbraum
• Kleinere Erweiterungen der pCOS-Schnittstelle

Was ist neu in PDFlib TET 5.1?

Folgende Features sind neu oder wurden für TET 5.1 erheblich verbessert:

• Aufzählungen und nummerierte Listen werden in TETML identifiziert und ausgegeben
• Reparaturmodus für beschädigte Eingabedokumente mit Querverweis-Streams
• Verbesserte Workarounds für nicht konforme Eingabedokumente
• Verbesserte Leistung für deaktivierte Bild-, Farb- und Vektor-Engines sowie für Dokumente ohne Ebenen
• Reduzierter Speicherbedarf
• Zahlreiche Fehlerbehebungen
• Aktualisierte Sprachbindungen

Was ist neu in PDFlib TET 5.0?

Folgende Features sind neu oder wurden für TET 5.0 erheblich verbessert:

Extrahieren von Text:

• Abfrage von Füll- und Linienfarbe des Textes
• Verbesserte Layout-Erkennung
• Berücksichtigung von Vektorgrafiken bei der Erkennung von Seiten- und Tabellen-Layout
• Unterstützung vertikaler Fontmetrik für CJK-Text

 Extrahieren von Rasterbildern:

• Deutlich verbessertes Zusammensetzen fragmentierter Bilder, z.B. von rotierten Bildern
• Verbesserte Bildverarbeitung für viele Spezialfälle und seltene PDF-Bildvarianten
• Extraktion von Bildmasken und Transparenzmasken
• Zusammensetzen und Konvertieren von JPEG-2000-komprimierten Bildern
• Beibehalten von Schmuckfarbe in extrahierten TIFF-Bildern
• Beschränkung der Bildextraktion auf einen vom Benutzer ausgewählten Bereich
• Berücksichtigung von XMP-Metadaten für Bilder, die von InDesign nicht an den eigentlich vorgesehenen Stellen in PDF gespeichert werden

 Seitenverarbeitung:

• Wahlweises Ignorieren von Artefakten (irrelevanten Inhalten) in Tagged PDF
• Berücksichtigung von Ebenen (optionalen Inhalten), um die Extraktion von unsichtbaren Inhalten zu vermeiden
• Berücksichtigung von Beschneidungspfaden, um die Extraktion von unsichtbaren Inhalten zu vermeiden
• Prüfen, ob ein Bereich auf der Seite leer ist oder Text-, Bild- bzw. Vektorgrafik enthält

 TETML:

• TETML enthält Füll- und Linienfarbe der Glyphen
• TETML enthält Informationen über interaktive Elemente wie Anmerkungen, Formularfelder, Lesezeichen, Aktionen, JavaScript, Unterschriften usw.
• TETML enthält Details zu Farbraum und ICC-Profilen
• TETML enthält Informationen über Ebenen und Seiten-Labels

Abfragen von Informationen aus PDF-Dokumenten:

• pCOS-Pseudo-Objekte für ICC-Profildetails und Bildmaskierungseigenschaften
• pCOS-Pseudo-Objekte für Formularfelder

Weitere Verbesserungen:

• Aktualisierte TET-Sprachbindungen, Programmierbeispiele und TET-Konnektoren
• Zusätzliche Prüfungen und Heuristiken für beschädigte und nicht-konforme PDF-Eingabe
• Neue Optionen für verbesserte Steuerung der PDF-Verarbeitung
• Zahlreiche Verbesserungen in bestehenden TET-Features