PythonでPDFファイルを解析する方法

IronPDF ライブラリの支援により、PDF ファイルからテキストを抽出することができます。 IronPDF はテキスト抽出のためのさまざまなテクニックを提供します。 最初のアプローチでは、ページ上のすべてのコンテンツを 1 つの文字列として取得します。 2 番目のアプローチでは、最初のページから始めて、コンテンツをページごとに読みます。 次のコード スニペットは、IronPDF を使用して現在の PDF ファイルを検査するパターンを示しています。

PDF からデータを抽出するには、次の 2 つの方法があります。

1. PDF からページごとに抽出します。
2. PDF 全体をテキストとして抽出します。

以下はこの記事で使用する PDF ファイルです。 2ページあります。

! PythonでPDFファイルを解析する方法、図5:各ページの上部にページ番号が表示されたPDF 各ページの上部にページ番号が表示されたPDF

4.0.1 ページによるテキスト抽出

以下のサンプル 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

# Open a PDF file and create a PDF document object
pdfDocument = PdfDocument.FromFile("F:\\PDF\\1.pdf")

# Extract text from the first page (index 0)
AllText = pdfDocument.ExtractTextFromPage(0)

# Print the extracted text from the first page
print(AllText)

from ironpdf import PdfDocument

# Open a PDF file and create a PDF document object
pdfDocument = PdfDocument.FromFile("F:\\PDF\\1.pdf")

# Extract text from the first page (index 0)
AllText = pdfDocument.ExtractTextFromPage(0)

# Print the extracted text from the first page
print(AllText)

コード スニペットは、 FromFile関数を使用して PDF ファイルを読み取り、PDF ドキュメント オブジェクトを作成する方法を示しています。 このオブジェクトを使用すると、PDF 内のテキストや画像にアクセスできます。 特定のページからテキストを抽出するには、ページ番号をパラメーターとして指定してExtractTextFromPageメソッドを使用できます。 このメソッドは、指定されたページ上のすべての単語を含む文字列を返します。 出力は以下のように表示されます。

! PythonでPDFファイルを解析する方法、図6: テキスト出力"ページ1"が表示されたターミナルのスクリーンショット "ページ1"というテキスト出力のある端末のスクリーンショット

結果で強調表示された長方形のボックスは、インデックスが 0 であるページ番号 1 の PDF ファイルから抽出されたデータテキストです。

4.0.2 全ページからの抜粋

すべての PDF コンテンツを文字列としてすばやく簡単に取得する最初の方法を次のコード例に示します。

from ironpdf import PdfDocument

# Create a PDF file object from the file path
pdf = PdfDocument.FromFile('F:\\PDF\\1.pdf')

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

# Print the extracted text from the entire PDF
print(all_text)

from ironpdf import PdfDocument

# Create a PDF file object from the file path
pdf = PdfDocument.FromFile('F:\\PDF\\1.pdf')

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

# Print the extracted text from the entire PDF
print(all_text)

上記のサンプル コードは、既存のファイル パスから PDF を読み取り、 FromFile関数を使用してそれを PDF ファイル オブジェクトに変換する方法を説明しています。 PDF のプレーン テキストは、オブジェクトのExtractAllText関数を使用して抽出され、文字列に変換され、抽出されたテキストが端末に出力されます。 結果は以下のように表示されます。

! PythonでPDFファイルを解析する方法、図7: テキスト出力"ページ1"と"ページ2"が表示されたターミナルのスクリーンショット "ページ1"と"ページ2"というテキスト出力が表示された端末のスクリーンショット

結果で強調表示された長方形のボックスには、PDF ファイルのすべてのページから抽出されたテキストのデータが含まれています。

IronPDF の助けを借りて、C# を使用して PDF を作成できます。 IronPDF の詳細については、 IronPDF の Web サイトをご覧ください。