Python으로 PDF 파일을 파싱하는 방법

IronPDF 라이브러리를 사용하면 PDF 파일에서 텍스트를 추출할 수 있습니다. IronPDF 텍스트 추출을 위한 다양한 기술을 제공합니다. 첫 번째 접근 방식은 페이지의 모든 콘텐츠를 단일 문자열로 가져오는 것입니다. 두 번째 방법은 첫 페이지부터 시작하여 콘텐츠를 페이지별로 읽는 것입니다. 다음 코드 조각은 IronPDF 사용하여 현재 PDF 파일을 검사하는 패턴을 보여줍니다.

PDF에서 데이터를 추출하는 데에는 두 가지 방법이 있습니다.

1. PDF에서 페이지별로 추출하기.
2. PDF 전체 내용을 텍스트로 추출합니다.

아래는 본 기사에 사용할 PDF 파일입니다. 두 페이지로 구성되어 있습니다.

페이지 상단에 페이지 번호가 표시된 PDF 파일

4.0.1 페이지별 텍스트 추출

아래 제공된 예제 코드는 페이지 번호를 사용하여 PDF 파일에서 데이터를 가져오는 방법을 보여줍니다.

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)

코드 스니펫은 PDF 파일을 읽고 PDF 문서 객체를 생성하기 위해 FromFile 함수를 사용하는 방법을 보여줍니다. 이 객체를 사용하면 PDF 내의 텍스트와 이미지에 접근할 수 있습니다. 특정 페이지에서 텍스트를 추출하기 위해, 페이지 번호를 매개변수로 제공하여 ExtractTextFromPage 메소드를 사용할 수 있습니다. 이 메서드는 지정된 페이지에 있는 모든 단어를 포함하는 문자열을 반환합니다. 결과는 아래와 같이 표시됩니다.

터미널 화면에 "페이지 1"이라는 텍스트가 출력된 스크린샷입니다.

결과에서 강조 표시된 사각형 상자는 인덱스가 0인 PDF 파일의 1페이지에서 추출한 텍스트 데이터입니다.

4.0.2 모든 페이지에서 추출

PDF 콘텐츠 전체를 문자열로 빠르고 쉽게 얻는 첫 번째 방법은 다음 코드 예제에 나와 있습니다.

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)

위에 표시된 예제 코드는 기존 파일 경로에서 PDF를 읽고 FromFile 함수를 사용하여 PDF 파일 객체로 변환하는 방법을 설명합니다. PDF의 평문 텍스트는 객체의 ExtractAllText 함수를 사용하여 추출되고 문자열로 변환되며, 추출된 텍스트는 터미널에 출력됩니다. 결과는 아래와 같이 표시됩니다.

터미널 화면에 "페이지 1"과 "페이지 2"라는 텍스트가 출력된 스크린샷입니다.

결과에서 강조 표시된 사각형 상자 안에는 PDF 파일의 모든 페이지에서 추출한 텍스트 데이터가 포함되어 있습니다.

IronPDF 를 사용하면 C#으로 PDF를 생성할 수 있습니다. IronPDF 에 대해 더 자세히 알아보려면 IronPDF 웹사이트를 방문하세요.