Extraire le texte

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)

pip install ironpdf

pip install ironpdf

Extraire le texte

IronPDF for Python peut extraire le contenu textuel d'un document PDF - soit de l'ensemble du document d'un seul coup, soit de pages individuelles - en utilisant les méthodes ExtractAllText et ExtractTextFromPage.

Commencer

Chargez un PdfDocument à partir d'un fichier en utilisant PdfDocument.FromFile, puis appelez la méthode d'extraction appropriée. Les deux méthodes renvoient une chaîne Python contenant le texte extrait.

Comprendre le code

PdfDocument.FromFile(path) : Ouvre un document PDF existant à partir du chemin de fichier spécifié. Pour les fichiers protégés par mot de passe, passez le mot de passe en tant que second argument.
ExtractAllText() : Retourne une seule chaîne contenant le texte extrait de toutes les pages du document, selon l'ordre des pages.
ExtractTextFromPage(pageIndex) : Retourne le contenu textuel d'une seule page. L'argument pageIndex est basé sur zéro - passez 0 pour la première page, 1 pour la seconde, et ainsi de suite.

Cas d'utilisation

L'extraction de texte est utile pour :

Indexation de recherche - rendre le contenu PDF consultable dans une base de données ou un moteur de recherche.
Analyse des données - extraire des données structurées telles que des numéros de facture, des dates ou des adresses à partir de rapports PDF.
Vérification de contenu - vérifier de manière programmatique que les PDF générés contiennent le texte attendu.
Accessibilité - convertir le contenu PDF en texte brut pour les lecteurs d'écran ou le traitement en aval.

Apprenez à extraire du contenu de PDFs avec IronPDF for Python !