Extraer Texto

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)

Extraer Texto

IronPDF for Python puede extraer el contenido de texto de un documento PDF, ya sea de todo el documento a la vez o de páginas individuales, utilizando los métodos ExtractAllText y ExtractTextFromPage.

Empezando

Carga un PdfDocument desde un archivo usando PdfDocument.FromFile, y luego llama al método de extracción adecuado. Ambos métodos devuelven una cadena de Python que contiene el texto extraído.

Entender el código

PdfDocument.FromFile(path): Abre un documento PDF existente desde la ruta de archivo especificada. Para archivos protegidos con contraseña, pasa la contraseña como segundo argumento.
ExtractAllText(): Devuelve una sola cadena que contiene el texto extraído de todas las páginas del documento, en el orden de las páginas.
ExtractTextFromPage(pageIndex): Devuelve el contenido de texto de una sola página. El argumento pageIndex se basa en cero; pasa 0 para la primera página, 1 para la segunda, y así sucesivamente.

Casos de uso

La extracción de texto es útil para:

Indexación de búsqueda — hacer que el contenido PDF sea buscable en una base de datos o motor de búsqueda.
Análisis de datos — extraer datos estructurados como números de facturas, fechas o direcciones de informes PDF.
Verificación de contenido — verificar automáticamente que los PDFs generados contengan el texto esperado.
Accesibilidad — convertir el contenido PDF a texto plano para lectores de pantalla o procesamiento posterior.

¡Aprende a extraer contenido de PDFs con IronPDF for Python!