PythonでPDFからデータを抽出する方法

2.1 IronPDFの特徴

HTML、HTML5、ASPX、Razor/MVCビューなど、さまざまな形式をIronPDFを使用してPDF形式に変換できます。 さらに、IronPDFは、画像やHTMLページからPDFファイルを生成する便利な機能も提供しています。

IronPDFツールキットは、インタラクティブPDFの作成、インタラクティブフォームの記入と提出の促進、PDFファイルの効率的なマージと分割、テキストおよび画像の正確な抽出、PDFファイル内の包括的なテキスト検索、PDFを画像に変換し、フォントサイズ、境界、背景色をカスタマイズする柔軟性を提供します。 IronPDFは、PDFファイルの変換も簡単に行うことができます。

IronPDFはさらに進んで、ユーザーエージェント、プロキシ、クッキー、HTTPヘッダー、およびフォーム変数のサポートを拡張し、HTMLログインフォームの検証を強化しています。 PDF内の安全なテキストにはユーザー名とパスワードを使用してアクセスを保護します。

PDFファイルを印刷することは、文字列、ストリーム、URLなどの多くのソースから生成でき、わずか数行のコードで達成できます。

IronPDFはインタラクティブ要素を変換することにより、フラットPDFドキュメントを生成し、ドキュメントの内容が変更不可能かつ表示可能であるが編集不可能であることを保証します。

3.1 Pythonのインストールと仮想環境の作成

コンピュータにPythonプログラミング言語がインストールされていることを確認してください。 これは、Pythonライブラリがさまざまなタスクに頻繁に必要とされるため、重要です。 公式Pythonウェブサイトを訪れて、オペレーティングシステムと互換性のある最新バージョンをダウンロードしてください。 これにより、Pythonライブラリを効果的に操作するための適切なツールが手に入ります。

Pythonをインストールした後、プロジェクト用の必要なライブラリを分離するために仮想環境を構築します。いくつかのプロジェクトでは、Pythonから必要なライブラリが必要となる場合があります。 venvモジュールは、複数のPythonライブラリを扱う場合に特に、変換プロジェクトが整然とした独立した作業環境を持つのに役立ちます。

3.2 PyCharmで新しいプロジェクトを設定

Visual Studio Code、PyCharm、Sublime Textなどの任意のテキストエディタやコーディング環境を使用してPythonコードを書く柔軟性があります。 しかし、この記事では、Pythonコードを書くためのIDEであるPyCharmを使用してPythonプロジェクトを作成します。

PyCharm IDEが起動したら、新しいプロジェクトを選択します。

PyCharm IDEで新しいPythonプロジェクトを作成

新しいプロジェクトを選択すると、プロジェクトの環境と場所を指定するための新しいウィンドウが表示されます。 下記の画像がより明確になるかもしれません。

プロジェクトの場所と環境の詳細を設定し、作成をクリックすると、PyCharmのインターフェースに入ります。 ここで、プロジェクトの構造とコードファイルが表示されます。 これはプロジェクトを管理し、開発するための作業スペースです。 このガイドで使用されているバージョンはPython 3.9です。

メインのPythonファイル

3.3 IronPDFのライブラリ要件

PythonライブラリIronPDFは通常、.NET 6.0とインターフェースを持ちます。したがって、Python用IronPDFを効果的に利用するには、コンピュータに.NET 6.0ランタイムが装備されている必要があります。

LinuxやMacユーザーの場合、このPythonモジュールを使用する前に.NETをインストールする必要があるかもしれません。 必要なランタイム環境の取得に関するガイダンスについては、このMicrosoftのダウンロードページをご覧ください。

3.4 IronPDFライブラリのインストール

PDFファイルの作成、編集、開くなどを含む"ironpdf"パッケージをインストールする必要があります。 PyCharmでこれを行うには、ターミナルウィンドウを開いて次のコマンドを入力します。

 pip install ironpdf

ironpdfパッケージのインストールに関するスクリーンショットを参照してください。

IronPDFのインストール

4.1 PDFファイルから全テキストデータを抽出

この例では、IronPDFを使用して既存のPDFからテキストを抽出するプロセスが示されています。 このケースでは、以下のPDFドキュメントがこのデモンストレーションのために使用されます。

最初の方法は、PDFファイルからすべてのテキストを抽出することに焦点を当てています。以下のコードを書いて、入力PDFで完全なデータ抽出を簡単に行います。

from ironpdf import *

# Load a PDF document from a file
pdf = PdfDocument.FromFile("sampleData.pdf")

# Extract all text from the PDF document
all_text = pdf.ExtractAllText()

from ironpdf import *

# Load a PDF document from a file
pdf = PdfDocument.FromFile("sampleData.pdf")

# Extract all text from the PDF document
all_text = pdf.ExtractAllText()

上記のコードで示されているように、FromFileメソッドが重要な役割を果たします。 既存の場所からPDFファイルをロードして、PdfDocumentオブジェクトに変換します。 このオブジェクトを使うことで、PDFページ内のテキストコンテンツや画像にアクセスできます。 特定のPDFファイルからすべてのテキストを抽出するには、ExtractAllTextというメソッドを使用します。 抽出されたテキストは文字列として保存され、さらに処理のために準備されます。

4.2 ページごとのテキスト抽出

以下は、PDFファイルの各ページからテキストを明示的に抽出する第2のアプローチのコードです。

from ironpdf import *

# Load a PDF document from a file
pdf = PdfDocument.FromFile("sampleData.pdf")

# Iterate over each page and extract text
for xpage in range(pdf.PageCount):
    # Extract text from the current page
    print(pdf.ExtractTextFromPage(xpage))

from ironpdf import *

# Load a PDF document from a file
pdf = PdfDocument.FromFile("sampleData.pdf")

# Iterate over each page and extract text
for xpage in range(pdf.PageCount):
    # Extract text from the current page
    print(pdf.ExtractTextFromPage(xpage))

このサンプルコードは、最初にPDFファイル全体をロードし、pdfという名前のPdfDocumentオブジェクトに変換します。 入力PDFの特定のページが順番に処理されるようにするために、pdfオブジェクト内のページ番号またはページインデックスを使用して各ページにアクセスします。 これを行うにはまず、pdfオブジェクトのPageCountメソッドを使用して入力PDFに存在するページの総数を決定します。

このページカウントを用いて、forループが各ページを繰り返し、PDFドキュメントの各ページからテキストを抽出するExtractTextFromPage関数を呼び出します。 抽出されたテキストは文字列変数に保存されるか、ユーザースクリーンに表示することができます。 したがって、この方法では、各PDFページからのテキストの整理された抽出が可能になります。 これらの方法は、PDFタスクのために設計されたPythonライブラリであるIronPDFから、PDFファイルからのテキスト抽出を簡単かつ完全に行う能力を際立たせています。 このアクセスのしやすさは、多くの実用的なアプリケーションを持ち、さまざまな分野でのPDFの有用性を向上させます。