PythonでPDFからテキストを行ごとに抽出する方法

ライセンスキーの適用

続行する前に、IronPDF ライセンス キーを適用していることを確認してください。

from ironpdf import PdfDocument

# Apply your license key to unlock library features
License.LicenseKey = "YOUR-LICENSE-KEY-HERE"

from ironpdf import PdfDocument

# Apply your license key to unlock library features
License.LicenseKey = "YOUR-LICENSE-KEY-HERE"

YOUR-LICENSE-KEY-HEREを実際の IronPDF ライセンス キーに置き換えます。 このライセンスにより、プロジェクトのすべてのライブラリ機能のロックを解除できます。

PDFファイル形式の読み込み

既存の PDF ファイルを Python プログラムに読み込む必要があります。 これは、IronPDF のPdfDocument.FromFileメソッドを使用して実現できます。

pdfFileObj = PdfDocument.FromFile("content.pdf")

pdfFileObj = PdfDocument.FromFile("content.pdf")

"content.pdf"は、読みたい PDF ファイルを指します。 読み込まれた PDF ファイルは、PDF リーダーまたは PDF ファイル オブジェクトpdfFileObjとして使用されるpdfFileObj変数に保存されます。

PDF文書全体からテキストを抽出する

PDF ファイルからすべてのテキスト データを一度に取得する場合は、 ExtractAllTextメソッドを使用できます。

all_text = pdfFileObj.ExtractAllText()

all_text = pdfFileObj.ExtractAllText()

ここではデモの目的でExtractAllTextメソッドが使用されています。 このメソッドは、PDF ファイルからすべてのテキストを抽出し、 all_textという変数に保存します。

特定のPDFページからテキストを抽出する

IronPDF では、 ExtractTextFromPageメソッドを使用して特定のページからテキストを抽出できます。 この方法は、一部のページのテキストのみが必要な場合に便利です。

page_2_text = pdfFileObj.ExtractTextFromPage(1)

page_2_text = pdfFileObj.ExtractTextFromPage(1)

ここでは、インデックス 1 に対応する 2 ページ目からテキストを抽出しています。

抽出したテキストを書き込むためのテキストファイルの初期化

with open("extracted_text.txt", "w", encoding='utf-8') as text_file:

with open("extracted_text.txt", "w", encoding='utf-8') as text_file:

"extracted_text.txt"という名前のファイルを開き、テキスト データを保存します。 これには Python の組み込みopen関数が使用され、ファイル モードが"書き込み"( "w" ) に設定され、 encoding='utf-8'で Unicode 文字が処理されます。

各ページをループして行ごとにテキストを抽出します

for i in range(0, pdfFileObj.get_Pages().Count):

for i in range(0, pdfFileObj.get_Pages().Count):

上記のコードは、IronPDF のget_Pages().Countを使用して PDF ファイル内の各ページをループし、合計ページ数を取得します。

テキストを抽出して行に分割する

page_text = pdf.ExtractTextFromPage(i)
lines = page_text.split('\n')

page_text = pdf.ExtractTextFromPage(i)
lines = page_text.split('\n')

各ページで、 ExtractTextFromPageメソッドを使用してすべてのテキストを取得し、Python のsplitメソッドを使用して行に分割します。 これにより、ループできる行のリストが生成されます。

抽出した行をテキストファイルに書き込む

for eachline in lines:
    print(eachline)
    text_file.write(eachline + '\n')

for eachline in lines:
    print(eachline)
    text_file.write(eachline + '\n')

ここで、コードは行リスト内の各行を反復処理し、それをコンソールに出力し、各行の後に改行文字 ( \n ) を追加してファイルに書き込み、このテキストを適切にフォーマットします。

完全なコード

包括的な実装は次のとおりです。

from ironpdf import PdfDocument

# Apply your license key
License.LicenseKey = "Your-License-Key-Here"

# Load an existing PDF file
pdfFileObj = PdfDocument.FromFile("content.pdf")

# Extract text from the entire PDF file
all_text = pdfFileObj.ExtractAllText()

# Extract text from a specific page in the file (Page 2)
page_2_text = pdfFileObj.ExtractTextFromPage(1)

# Initialize a file object for writing the extracted text
with open("extracted_text.txt", "w", encoding='utf-8') as text_file:
    # Get the number of pages in the PDF document
    num_of_pages = pdfFileObj.get_Pages().Count
    print("Number of pages in given document are ", num_of_pages)

    # Loop through each page using the Count property
    for i in range(0, num_of_pages):
        # Extract text from the current page
        page_text = pdfFileObj.ExtractTextFromPage(i)

        # Split the text by lines from this page object
        lines = page_text.split('\n')

        # Loop through the lines and print/write them
        for eachline in lines:
            print(eachline)  # Print each line to the console
            # Write each line to the text document
            text_file.write(eachline + '\n')

from ironpdf import PdfDocument

# Apply your license key
License.LicenseKey = "Your-License-Key-Here"

# Load an existing PDF file
pdfFileObj = PdfDocument.FromFile("content.pdf")

# Extract text from the entire PDF file
all_text = pdfFileObj.ExtractAllText()

# Extract text from a specific page in the file (Page 2)
page_2_text = pdfFileObj.ExtractTextFromPage(1)

# Initialize a file object for writing the extracted text
with open("extracted_text.txt", "w", encoding='utf-8') as text_file:
    # Get the number of pages in the PDF document
    num_of_pages = pdfFileObj.get_Pages().Count
    print("Number of pages in given document are ", num_of_pages)

    # Loop through each page using the Count property
    for i in range(0, num_of_pages):
        # Extract text from the current page
        page_text = pdfFileObj.ExtractTextFromPage(i)

        # Split the text by lines from this page object
        lines = page_text.split('\n')

        # Loop through the lines and print/write them
        for eachline in lines:
            print(eachline)  # Print each line to the console
            # Write each line to the text document
            text_file.write(eachline + '\n')

出力

Visual Studio Code ターミナルに次のコマンドを入力して、Python ファイルを実行します。

python main.py

python main.py

この結果はターミナルに表示されます:

PDFから行ごとにテキストを抽出する方法、図3：抽出されたテキスト 抽出されたテキスト

これはPDFファイルから取得されたテキストです。また、ディレクトリ内にテキストドキュメントが作成されていることにも気づくでしょう。

PDFから行ごとにテキストを抽出する方法、図4：抽出されたテキストはTXTファイルに保存されます 抽出されたテキストはTXTファイルに保存されます

このテキスト ファイルには、取得されたテキスト形式が順番に表示されます。

! PDFから行ごとにテキストを抽出する方法、図5：抽出されたテキストファイルの内容 抽出されたテキストファイルの内容