Cómo Analizar Un Archivo PDF en Python

Con la ayuda de las bibliotecas IronPDF, es posible extraer texto de archivos PDF. IronPDF proporciona varias técnicas para la extracción de texto. El primer enfoque consiste en recuperar todo el contenido de la página como una cadena única. El segundo enfoque implica leer el contenido página por página, comenzando desde la primera página. El siguiente fragmento de código demuestra un patrón para inspeccionar archivos PDF actuales utilizando IronPDF.

Existen dos métodos disponibles para extraer datos de un PDF:

1. Extraer del PDF por página.
2. Extraer todo el PDF como texto.

A continuación se muestra el archivo PDF que vamos a usar para este artículo. Tiene dos páginas.

Un PDF con el número de página en la parte superior de cada página

4.0.1 EXTRACCIÓN DE TEXTO POR PÁGINAS

El código de muestra proporcionado a continuación demuestra cómo usar el número de página para recuperar datos de un archivo PDF.

from ironpdf import PdfDocument

# Open a PDF file and create a PDF document object
pdfDocument = PdfDocument.FromFile("F:\\PDF\\1.pdf")

# Extract text from the first page (index 0)
AllText = pdfDocument.ExtractTextFromPage(0)

# Print the extracted text from the first page
print(AllText)

from ironpdf import PdfDocument

# Open a PDF file and create a PDF document object
pdfDocument = PdfDocument.FromFile("F:\\PDF\\1.pdf")

# Extract text from the first page (index 0)
AllText = pdfDocument.ExtractTextFromPage(0)

# Print the extracted text from the first page
print(AllText)

El fragmento de código demuestra el uso de la función FromFile para leer un archivo PDF y crear un objeto de documento PDF. Este objeto permite el acceso a textos e imágenes dentro del PDF. Para extraer el texto de una página en particular, el método ExtractTextFromPage se puede usar proporcionando el número de página como parámetro. Este método devolverá una cadena que contiene todas las palabras en la página especificada. La salida se mostrará como a continuación.

Una captura de pantalla del terminal con salida de texto "Página 1"

El cuadro rectangular que se resaltó en el resultado es el texto extraído de los datos del archivo PDF en la página número 1, que tiene el índice 0.

4.0.2 EXTRACTO DE TODAS LAS PÁGINAS

El primer enfoque para obtener rápida y fácilmente todo el contenido del PDF como una cadena se muestra en el ejemplo de código que sigue.

from ironpdf import PdfDocument

# Create a PDF file object from the file path
pdf = PdfDocument.FromFile('F:\\PDF\\1.pdf')

# Extract all text from the entire PDF
all_text = pdf.ExtractAllText()

# Print the extracted text from the entire PDF
print(all_text)

from ironpdf import PdfDocument

# Create a PDF file object from the file path
pdf = PdfDocument.FromFile('F:\\PDF\\1.pdf')

# Extract all text from the entire PDF
all_text = pdf.ExtractAllText()

# Print the extracted text from the entire PDF
print(all_text)

El ejemplo de código mostrado arriba explica cómo leer un PDF desde una ruta de archivo existente y convertirlo en un objeto de archivo PDF usando la función FromFile. El texto plano del PDF se extraerá y convertirá en una cadena utilizando la función ExtractAllText del objeto y se imprimirá el texto extraído en el terminal. El resultado se mostrará como a continuación.

Una captura de pantalla del terminal con salida de texto "Página 1", y "Página 2"

Los cuadros rectangulares que se resaltan en el resultado contienen el texto extraído de todas las páginas del archivo PDF.

Somos capaces de crear PDFs usando C# con la ayuda de IronPDF. Para aprender más sobre IronPDF, visite el sitio web de IronPDF.