Text extrahieren

from ironpdf import *

# Load existing PDF document
pdf = PdfDocument.FromFile("content.pdf")

# Extract text from PDF document
all_text = pdf.ExtractAllText()

# Extract text from specific page in the document
page_2_text = pdf.ExtractTextFromPage(1)

pip install ironpdf

pip install ironpdf

Text extrahieren

IronPDF for Python kann den Textinhalt eines PDF-Dokuments - entweder aus dem gesamten Dokument auf einmal oder aus einzelnen Seiten - mit den Methoden ExtractAllText und ExtractTextFromPage extrahieren.

Einstieg

Laden Sie ein PdfDocument aus einer Datei mit PdfDocument.FromFile, dann rufen Sie die entsprechende Extraktionsmethode auf. Beide Methoden geben einen Python-String zurück, der den extrahierten Text enthält.

Den Code verstehen

PdfDocument.FromFile(path): Öffnet ein vorhandenes PDF-Dokument vom angegebenen Dateipfad. Für passwortgeschützte Dateien geben Sie das Passwort als zweites Argument an.
ExtractAllText(): Gibt eine einzelne Zeichenkette zurück, die den Text enthält, der aus allen Seiten des Dokuments extrahiert wurde, in Seitenreihenfolge.
ExtractTextFromPage(pageIndex): Gibt den Textinhalt einer einzelnen Seite zurück. Das pageIndex-Argument ist nullbasiert - übergeben Sie 0 für die erste Seite, 1 für die zweite usw.

Anwendungsfälle

Textextraktion ist nützlich für:

Suchindizierung - macht PDF-Inhalte in einer Datenbank oder Suchmaschine durchsuchbar.
Datenanalyse - extrahiert strukturierte Daten wie Rechnungsnummern, Daten oder Adressen aus PDF-Berichten.
Inhaltsverifizierung - prüft programmatisch, ob generierte PDFs den erwarteten Text enthalten.
Barrierefreiheit - konvertiert PDF-Inhalt in Klartext für Bildschirmlesegeräte oder nachgelagerte Verarbeitung.

Lernen Sie, wie man Inhalte mit IronPDF for Python aus PDFs extrahiert!