Comment analyser un fichier PDF en Python

1.0 Introduction

Les bibliothèques modernes ont simplifié la création de PDF. Lors du choix d'une bibliothèque pour des projets PDF, tenez compte des capacités de création, de lecture et de conversion pour une intégration et une performance optimales. Python propose des outils comme IronPDF qui peuvent efficacement analyser les PDF existants.

2.0 IronPDF

Python est un langage de programmation qui permet aux développeurs de construire rapidement et facilement des interfaces graphiques. Il offre un plus grand dynamisme aux programmeurs par rapport à d'autres langages. Par conséquent, l'intégration de la bibliothèque IronPDF pour Python est un processus simple.

Pour créer rapidement et en toute sécurité une interface graphique entièrement fonctionnelle, les développeurs peuvent utiliser plusieurs outils préinstallés, notamment PyQt, wxWidgets, Kivy et bien d'autres paquets et bibliothèques. Il convient de noter qu'IronPDF n'est pas une bibliothèque PDF purement Python ; au lieu de cela, il permet l'inclusion de diverses fonctionnalités d'autres frameworks comme .NET Core.

IronPDF simplifie la conception et le développement web en Python, notamment en raison de la popularité des paradigmes de développement web en Python tels que Django, Flask et Python. Des sites web et des services en ligne de renom, tels que Reddit, Mozilla et Spotify, ont utilisé ces cadres. Vous pouvez en savoir plus sur Python dans IronPDF sur le site web IronPDF for Python.

2.1 Caractéristiques d'IronPDF

• IronPDF est capable de générer des fichiers PDF à partir de diverses sources, y compris HTML, HTML5, ASPX et Razor/MVC View. Il permet de créer des PDF à partir de pages HTML et d'images.
• L'outil IronPDF propose une gamme d'outils pour des tâches telles que la création de PDF interactifs, le remplissage et la soumission de formulaires interactifs, la scission et la combinaison de fichiers PDF, l'extraction de texte et d'images à partir de fichiers PDF, la recherche de certains mots dans un fichier PDF, la rasterisation des pages PDF en images, la conversion de PDF en HTML.
• Grâce à la prise en charge des agents utilisateurs, des proxies, des cookies, des en-têtes HTTP et des variables de forme, IronPDF permet la validation des formulaires de connexion HTML.
• Accès aux documents protégés dans IronPDF est accordé par l'utilisation de noms d'utilisateur et de mots de passe.
• IronPDF aide à générer des fichiers PDF et à imprimer avec seulement quelques lignes de code à partir de diverses sources telles que des chaînes de caractères, des flux, des URL, etc.

3.0 Setup Python

3.1 Configuration de l'environnement

Assurez-vous que Python est installé sur votre PC. Visitez le site officiel de Python pour télécharger et installer la dernière version de Python adaptée à votre système d'exploitation. Une fois Python installé, mettez en place un environnement virtuel pour isoler les dépendances de votre projet. Le module "venv" permet de créer et de gérer des environnements virtuels, offrant ainsi à votre projet de conversion un espace de travail propre et indépendant.

3.2 Nouveau projet dans PyCharm

Nous allons utiliser PyCharm, un IDE pour écrire du code Python, pour cette démonstration.

Cliquez sur "Nouveau projet" après avoir lancé l'IDE PyCharm.

Écran d'accueil de PyCharm

Lorsque vous sélectionnez "Nouveau projet", une nouvelle fenêtre apparaîtra, vous permettant de spécifier l'emplacement du projet et son environnement. Cette nouvelle fenêtre est visible dans la capture d'écran ci-dessous.

Le nouvel écran de projet dans PyCharm

Cliquez sur le bouton Créer pour démarrer un nouveau projet, après avoir défini l'emplacement du projet et le chemin d'environnement. Cela ouvrira une nouvelle fenêtre dans laquelle le programme pourra être développé. Ce tutoriel recommande Python 3.9.

Un fichier principal ouvert dans PyCharm

3.3 Bibliothèque IronPDF requise

IronPDF, une bibliothèque Python, repose principalement sur .NET 6.0. Par conséquent, pour utiliser IronPDF for Python, votre PC doit avoir le runtime .NET 6.0 installé. Avant que les utilisateurs de Linux et Mac puissent utiliser ce module Python, .NET devra peut-être être installé. Vous pouvez obtenir l'environnement d'exécution requis depuis le site Web .NET.

3.4 Configuration de la bibliothèque IronPDF

Le paquetage "IronPDF" doit être installé pour créer, éditer et ouvrir des fichiers avec l'extension ".pdf". Pour installer le paquet dans PyCharm, ouvrez une fenêtre de terminal et tapez la commande suivante :

pip install ironpdf

pip install ironpdf

La capture d'écran ci-dessous montre la configuration du paquet 'IronPDF'.

Un terminal montrant l'installation de IronPDF à l'aide de pip

4.0 Analyser les PDF avec IronPDF

Avec l'aide des bibliothèques IronPDF, il est possible d'extraire du texte à partir de fichiers PDF. IronPDF propose plusieurs techniques d'extraction de texte. La première approche consiste à récupérer tout le contenu de la page sous la forme d'une chaîne unique. La deuxième approche consiste à lire le contenu page par page, en commençant par la première page. L'extrait de code suivant illustre un modèle d'inspection des fichiers PDF actuels à l'aide d'IronPDF.

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

1. Extraction du PDF par page.

2. Extraction de l'ensemble du PDF sous forme de texte.

   Vous trouverez ci-dessous le fichier PDF que nous allons utiliser pour cet article. Il comporte deux pages.

   

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

4.0.1 EXTRACTION DE TEXTE PAR PAGES

L'exemple de code ci-dessous montre comment utiliser le numéro de page pour extraire des données d'un fichier PDF.

from ironpdf import *

pdfDocument = PdfDocument.FromFile("F:\\PDF\\1.pdf")
AllText = pdfDocument.ExtractTextFromPage(0)
print(AllText)

py

L'extrait de code démontre 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 images dans le PDF. Pour extraire le texte d'une page particulière, la méthode ExtractTextFromPage peut être utilisée en fournissant le numéro de page comme paramètre. Cette méthode renvoie une chaîne contenant tous les mots de la page spécifiée. Le résultat s'affiche comme suit.

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

Le rectangle qui apparaît en surbrillance dans le résultat est le texte extrait des données du fichier PDF sur la page numéro 1, dont l'index est 0.

4.0,2 EXTRAIT DE TOUTES LES PAGES

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

# creating a PDF file object
pdf = PdfDocument.FromFile('F:\\PDF\\1.pdf')
all_text = pdf.ExtractAllText()
print(all_text)

py

Le code d'exemple présenté ci-dessus explique comment lire un PDF à partir d'un chemin de fichier existant et le convertir en un objet de fichier PDF en utilisant la fonction FromFile. Le texte brut du PDF sera extrait et converti en une chaîne à l'aide de la fonction ExtractAllText de l'objet, et il affichera le texte extrait sur le terminal. Le résultat s'affichera comme ci-dessous.

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

Les rectangles mis en évidence dans le résultat contiennent les données extraites de toutes les pages du fichier PDF.

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

5.0 Conclusion

Pour minimiser les risques et assurer la protection des données, la bibliothèque IronPDF prévoit de solides mesures de sécurité. Il est compatible avec tous les navigateurs couramment utilisés et n'est limité à aucun d'entre eux. IronPDF permet aux programmeurs de créer et de lire facilement des fichiers PDF avec seulement quelques lignes de code. Pour répondre aux différents besoins des développeurs, la bibliothèque IronPDF offre une variété d'options de licence, y compris une licence de développement gratuite et des licences de développement supplémentaires qui sont disponibles à l'achat.

Le package $749 Lite est livré avec une licence perpétuelle, une garantie de remboursement de 30 jours, un an de support logiciel et des possibilités de mise à niveau. Au-delà du premier achat, il n'y a pas de frais supplémentaires. Les environnements de production, de préparation et de développement utilisent tous ces licences. IronPDF propose également des licences gratuites avec quelques limitations de temps et de redistribution. Pendant la période d'essai gratuite, les utilisateurs peuvent tester le produit en situation réelle, sans filigrane. Pour plus de détails sur le coût et le licenciement de la version d'essai d'IronPDF, veuillez visiter la page de licence IronPDF.