PythonでPDFから特定のテキストを抽出する方法

IronPDFの機能

• IronPDFを使用すると、HTML、HTML5、ASPX、およびRazor/MVCビューなどのさまざまなソースからPDFファイルを作成できます。 It offers the ability to convert HTML pages and images into PDF files.
• Creating interactive PDFs, completing and submitting interactive forms, splitting and combining PDF files, extracting text and images, searching text within PDF files, rasterizing PDFs to images, changing font sizes, natural language processing using ChatGPT, and converting PDF pages property are just a few of the activities that the IronPDF toolkit can help with.
• IronPDFは、ユーザーエージェント、プロキシ、クッキー、HTTPヘッダー、フォーム変数をサポートしたHTMLログインフォームの検証を提供します。
• IronPDFは、保護されたドキュメントにユーザーがアクセスできるようにユーザー名とパスワードを使用します。
• 数行のコードで、IronPDFは文字列、ストリーム、またはURLなどのさまざまなソースからPDFファイルを印刷できます。

環境設定

Pythonがコンピュータにセットアップされていることを確認してください。 最新バージョンのPythonをお使いのオペレーティングシステムと互換性のあるバージョンをダウンロードしてインストールするには、公式Pythonウェブサイトをご覧ください。 Pythonをインストールしたら、プロジェクトの要件を分離するために仮想環境を作成してください。 変換プロジェクトに整理された独立した作業空間を提供するために、venvモジュールで仮想環境を作成および管理してください。

PyCharmでの新規プロジェクト

このデモンストレーションには、Pythonコードの開発用IDEとしてPyCharmを推奨します。

PyCharm IDEを起動した後、「新規プロジェクト」を選択します。

PyCharm

「新規プロジェクト」を選択すると、プロジェクトの場所と環境を設定できる新しいウィンドウが開きます。 これは以下の画像で見ることができます。

新規プロジェクト

プロジェクトの場所と環境パスを選択した後、「作成」ボタンをクリックして新しいプロジェクトを開始します。 その結果、新しいウィンドウが開き、プログラムを作成できます。 このレッスンではPython 3.9を使用します。

Pythonプロジェクトの作成

IronPDFライブラリの要件

PythonライブラリのIronPDFは主に.NET 6.0を使用します。したがって、IronPDF for Pythonを使用するには、コンピュータに.NET 6.0ランタイムがインストールされている必要があります。 LinuxおよびMacユーザーは、このPythonモジュールを使用する前に、.NETのインストールが必要になる場合があります。 必要なランタイム環境を取得するには、Microsoftのダウンロードページをご覧ください。

IronPDFライブラリのセットアップ

「ironpdf」パッケージをインストールして、拡張子「.pdf」を持つファイルを生成、変更、開く必要があります。 ターミナルウィンドウを開き、PyCharmでパッケージをインストールするために次のコマンドを入力してください:

pip install ironpdf

pip install ironpdf

以下のスクリーンショットにironpdfパッケージのインストールが示されています。

IronPDFのインストール

PDFからのページごとの抽出

以下の例コードは、ページ番号を使用してPDFファイルからデータを取得する方法を示しています。

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)

コードスニペットは、FromFile関数を使用してPDFファイルを読み込んでPDFオブジェクトを構築する方法を示しています。 このオブジェクトを使用して、PDFのテキストと画像にアクセスできます。 特定のページからテキストを取得するには、ExtractTextFromPage関数にページ番号をパラメータとして渡します。 選択されたページ上のすべての単語が含まれる文字列がこのメソッドによって返されます。 次に、Pythonでsplit関数を使用して抽出されたテキストからすべての新しい行を分割します。 その後、抽出されたテキストの各行が必要なキーワードを含むかどうかを確認します。 キーワードが一致した場合、コマンドプロンプトに特定の行が表示されます。 そうでない場合は、その行は無視され、次の行に進みます。抽出されたテキストの出力は以下のようになります。