Comment extraire du texte spécifique d'un PDF en Python

IronPDF

Python est un langage de programmation qui permet aux développeurs de créer des interfaces graphiques rapidement et facilement. Comparé à d'autres langages, Python est également beaucoup plus dynamique pour les programmeurs. Pour cette raison, l'ajout de la bibliothèque IronPDF à Python est un processus simple. Une multitude d'outils pré-installés, y compris PyQt, wxWidgets, Kivy, et de nombreux autres packages et bibliothèques Python, peuvent être utilisés pour créer rapidement et en toute sécurité une interface utilisateur graphique complète. IronPDF intègre Python et permet également l'intégration de fonctionnalités à partir d'autres frameworks, tels que .NET Core.

IronPDF facilite le développement web. La principale raison en est l'adoption généralisée des paradigmes de développement web en Python comme Django, Flask et Pyramid. Reddit, Mozilla et Spotify ne sont que quelques-uns des sites web et services en ligne qui ont utilisé ces frameworks.

Configurer Python

pip install ironpdf

pip install ironpdf

Extraire des données spécifiques du fichier PDF

Il est possible d'extraire du texte des fichiers PDF avec l'aide des bibliothèques IronPDF. IronPDF offre plusieurs méthodes d'extraction de texte. La première méthode implique la récupération de tout le contenu de la page en une seule chaîne. La deuxième stratégie consiste à passer en revue le contenu page par page, en commençant par la première page. Les fichiers PDF existants peuvent être explorés à l'aide de la bibliothèque IronPDF. Le fragment de code suivant montre comment utiliser IronPDF pour inspecter les fichiers PDF en direct.

Il y a deux options pour extraire des informations d'un PDF :

1. Extraction page par page à partir du PDF
2. Conversion de l'ensemble du PDF en texte

Voici le fichier PDF échantillon pour cet article disponible ci-dessous.

PDF d'entrée

from ironpdf import PdfDocument

# Load the PDF file
pdf = PdfDocument.FromFile('F:\\PDF\\Extract.pdf')
# Extract text from the first page of the PDF document
all_text = pdf.ExtractTextFromPage(0)
# Iterate over each line in the extracted text
for line in all_text.split('\n'):
    # Check if the line contains the keyword "Name"
    if 'Name' in line:
        # Print the line if it contains the keyword
        print(line)

from ironpdf import PdfDocument

# Load the PDF file
pdf = PdfDocument.FromFile('F:\\PDF\\Extract.pdf')
# Extract text from the first page of the PDF document
all_text = pdf.ExtractTextFromPage(0)
# Iterate over each line in the extracted text
for line in all_text.split('\n'):
    # Check if the line contains the keyword "Name"
    if 'Name' in line:
        # Print the line if it contains the keyword
        print(line)

Conversion de l'ensemble du PDF en texte

L'exemple de code suivant démontre la première méthode pour obtenir rapidement et facilement tout le contenu du PDF sous forme de chaîne.

from ironpdf import PdfDocument

# Load the PDF file
pdf = PdfDocument.FromFile('F:\\PDF\\Extract.pdf')
# Extract all text from the PDF document
all_text = pdf.ExtractAllText()
# Iterate over each line in the extracted text
for line in all_text.split('\n'):
    # Check if the line contains the keyword "Name"
    if 'Name' in line:
        # Print the line if it contains the keyword
        print(line)

from ironpdf import PdfDocument

# Load the PDF file
pdf = PdfDocument.FromFile('F:\\PDF\\Extract.pdf')
# Extract all text from the PDF document
all_text = pdf.ExtractAllText()
# Iterate over each line in the extracted text
for line in all_text.split('\n'):
    # Check if the line contains the keyword "Name"
    if 'Name' in line:
        # Print the line if it contains the keyword
        print(line)

Le code exemple ci-dessus montre comment utiliser la fonction FromFile pour lire un PDF à partir d'un chemin de fichier existant et le convertir en un fichier objet PDF. En conséquence, nous pouvons utiliser cet objet lecteur PDF pour voir le texte et les images dans le PDF. La fonction ExtractAllText de l'objet sera utilisée pour extraire les données du PDF en texte brut, le convertir en une chaîne, et utiliser la logique similaire à celle ci-dessus pour trouver le mot-clé spécifique pour afficher le résultat dans le terminal. Les résultats sont affichés comme suit.

Sortie

Le code/sortie ci-dessus montre que le document PDF donné contient à la fois le nom et l'âge, mais le résultat ne montre que le nom disponible dans le document PDF.

Conclusion

Des mécanismes de sécurité solides sont offerts par la bibliothèque IronPDF pour réduire les menaces et garantir la sécurité des données. Il n'est pas limité à un seul navigateur et est compatible avec tous les navigateurs largement utilisés. Avec seulement quelques lignes de code, les programmeurs peuvent rapidement produire et lire des fichiers PDF en utilisant IronPDF. La bibliothèque IronPDF offre une gamme d'options de licence, y compris une licence de développeur gratuite et des licences de développement supplémentaires disponibles à l'achat, pour répondre aux besoins diversifiés des développeurs.

Une licence perpétuelle, une garantie de remboursement de 30 jours, une année de maintenance logicielle, et des options de mise à niveau sont incluses dans le package Lite. Ces licences peuvent être utilisées dans tous les environnements. De plus, IronPDF propose des licences gratuites avec certaines restrictions de redistribution. Une licence d'essai permet aux utilisateurs d'évaluer le produit sans filigrane.

Veuillez consulter les licences IronPDF disponibles pour plus d'informations sur la commercialisation des licences.