Comment analyser un fichier PDF en Python

Grâce aux bibliothèques IronPDF, il est possible d'extraire du texte des fichiers PDF. IronPDF fournit diverses techniques pour l'extraction de texte. La première approche consiste à récupérer tout le contenu de la page comme une seule chaîne de caractères. La deuxième approche consiste à lire le contenu page par page, à partir de la première page. L'exemple de code suivant montre un schéma pour inspecter les fichiers PDF actuels en utilisant IronPDF.

Il existe deux méthodes disponibles pour extraire des données d'un PDF :

1. Extraire à partir du PDF par page.
2. Extraire le PDF entier sous forme de texte.

Ci-dessous se trouve le fichier PDF que nous allons utiliser pour cet article. Il a deux pages.

Un PDF avec le numéro de page en haut de chaque page

4.0.1 EXTRACTION DE TEXTE PAR PAGES

Le code d'exemple fourni ci-dessous montre comment utiliser le numéro de page pour récupérer des données d'un fichier 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)

Le code d'exemple montre l'utilisation de la fonction FromFile pour lire un fichier PDF et créer un objet document PDF. Cet objet permet d'accéder aux textes et aux images présents dans le PDF. Pour extraire le texte d'une page particulière, la méthode ExtractTextFromPage peut être utilisée en fournissant le numéro de page en paramètre. Cette méthode renverra une chaîne contenant tous les mots de la page spécifiée. Le résultat s'affichera comme suit.

Une capture d'écran du terminal avec le texte de sortie "Page 1"

La boîte rectangulaire mise en évidence dans le résultat contient le texte de données extrait du fichier PDF sur la page numéro 1, qui a l'index 0.

4.0.2 EXTRAIRE DE TOUTES LES PAGES

La première approche pour obtenir rapidement et facilement tout le contenu du PDF sous forme de chaîne est montrée dans l'exemple de code qui suit.

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)

L'exemple de code montré ci-dessus explique comment lire un PDF depuis un chemin de fichier existant et le convertir en objet fichier PDF à l'aide de la fonction FromFile. Le texte brut du PDF sera extrait et converti en chaîne en utilisant la fonction ExtractAllText de l'objet et imprimera le texte extrait sur le terminal. Le résultat sera présenté comme suit.

Une capture d'écran du terminal avec le texte de sortie "Page 1" et "Page 2"

Les boîtes rectangulaires mises en évidence dans le résultat contiennent le texte de données extrait de toutes les pages du fichier PDF.

Nous sommes capables de créer des PDF en utilisant C# avec l'aide d'IronPDF. Pour en savoir plus sur IronPDF, visitez le site IronPDF.