Jak wyodrębnić dane z PDF w Python

2.1 Funkcje IronPDF

HTML, HTML5, ASPX oraz Razor/MVC View to tylko niektóre z formatów, które można przekonwertować do formatu PDF za pomocą IronPDF. Ponadto IronPDF oferuje wygodną funkcję generowania plików PDF zarówno z obrazów, jak i stron HTML.

Zestaw narzędzi IronPDF może pomóc w różnych zadaniach, w tym w tworzeniu interaktywnych plików PDF, ułatwianiu wypełniania i przesyłania interaktywnych formularzy, wydajnym łączeniu i dzieleniu plików PDF, dokładnym wyodrębnianiu tekstu i obrazów, kompleksowym wyszukiwaniu tekstu w plikach PDF, przekształcaniu plików PDF w obrazy oraz elastyczności w dostosowywaniu rozmiarów czcionek, obramowań i kolorów tła. IronPDF umożliwia również łatwą konwersję plików PDF.

IronPDF idzie o krok dalej, rozszerzając obsługę agentów użytkownika, serwerów proxy, plików cookie, nagłówków HTTP i zmiennych formularzy, poprawiając w ten sposób walidację formularzy logowania HTML. Wykorzystuje nazwy użytkowników i hasła, aby zabezpieczyć dostęp użytkowników do poufnych treści zawartych w plikach PDF.

Plik PDF do druku można wygenerować z wielu źródeł, takich jak ciąg znaków, strumień lub adres URL, a wystarczy do tego zaledwie kilka linii kodu.

IronPDF może tworzyć spłaszczone dokumenty PDF poprzez konwersję elementów interaktywnych i zapewnienie, że zawartość dokumentu pozostaje niezmienna i widoczna, ale nieedytowalna.

3.1 Instalacja języka Python i tworzenie środowiska wirtualnego

Upewnij się, że na swoim komputerze masz zainstalowany język programowania Python. Jest to ważne, ponieważ biblioteki Pythona są często wymagane do różnych zadań. Aby to zrobić, wejdź na oficjalną stronę Pythona i pobierz najnowszą wersję zgodną z Twoim systemem operacyjnym. Dzięki temu zyskasz odpowiednie narzędzia do efektywnej pracy z bibliotekami Pythona.

Po zainstalowaniu Pythona należy utworzyć środowisko wirtualne w celu wyodrębnienia bibliotek wymaganych dla projektu, ponieważ niektóre projekty mogą wymagać bibliotek z Pythona. Moduł venv, który umożliwia tworzenie i utrzymywanie środowisk wirtualnych, może pomóc w zapewnieniu uporządkowanego, autonomicznego środowiska pracy dla projektu konwersji, zwłaszcza w przypadku korzystania z wielu bibliotek Pythona.

3.2 Konfiguracja nowego projektu w PyCharm

Masz swobodę pisania kodu w języku Python przy użyciu dowolnego edytora tekstu lub środowiska programistycznego, takiego jak Visual Studio Code, PyCharm lub Sublime Text. Jednak w tym artykule do utworzenia projektu w języku Python użyto PyCharm, środowiska IDE do pisania kodu w języku Python.

Po uruchomieniu środowiska PyCharm wybierz opcję New Project.

Środowisko IDE PyCharm do tworzenia nowego projektu w języku Python

Po wybraniu opcji Nowy projekt pojawi się nowe okno, w którym można określić srodowisko i lokalizację projektu. Poniższe zdjęcie może pomóc w lepszym zrozumieniu.

Po skonfigurowaniu lokalizacji projektu i szczegółów środowiska oraz kliknięciu przycisku Utwórz przejdziesz do interfejsu PyCharm. Tutaj znajdziesz strukturę projektu i pliki kodu. To jest Twoje miejsce pracy, w którym zarządzasz projektem i go rozwijasz. W niniejszym przewodniku wykorzystano wersję Python 3.9.

Główny plik w języku Python

3.3 Wymagania biblioteki dla IronPDF

Biblioteka IronPDF dla języka Python zazwyczaj współpracuje z platformą .NET 6.0. Dlatego, aby efektywnie korzystać z IronPDF for Python, komputer musi być wyposażony w środowisko uruchomieniowe .NET 6.0.

Użytkownicy systemów Linux i Mac mogą być zmuszeni do zainstalowania platformy .NET przed rozpoczęciem korzystania z tego modułu w języku Python. Aby uzyskać wskazówki dotyczące uzyskania wymaganego środowiska uruchomieniowego, odwiedź tę stronę pobierania firmy Microsoft.

3.4 Instalacja biblioteki IronPDF

Aby pracować z plikami PDF, w tym tworzyć je, edytować i otwierać, należy zainstalować pakiet "IronPDF". Aby to zrobić w PyCharm, otwórz okno terminala i wpisz następujące polecenie:

pip install ironpdf

Zobacz zrzut ekranu poniżej, aby zapoznać się z instalacją pakietu ironpdf.

Instalacja IronPDF

4.1 Pobieranie wszystkich danych tekstowych z pliku PDF

W tym przykładzie pokazano proces wyodrębniania tekstu z istniejącego pliku PDF przy użyciu IronPDF. W tym przypadku do celów demonstracyjnych wykorzystano poniższy dokument PDF.

Pierwsza metoda skupia się na wyodrębnieniu całego tekstu z pliku PDF. Napisz poniższy kod, aby w prosty sposób przeprowadzić pełne wyodrębnianie danych z pliku PDF:

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()

Jak pokazano w powyższym kodzie, metoda FromFile odgrywa kluczową rolę. Ładuje plik PDF z istniejącej lokalizacji, aby przekonwertować go na obiekty PdfDocument. Dzięki temu obiektowi można uzyskać dostęp zarówno do treści tekstowej, jak i obrazów znajdujących się na stronach pliku PDF. Aby wyodrębnić cały tekst z podanego pliku PDF, stosuje się metodę o nazwie ExtractAllText. Wyodrębniony tekst jest następnie zapisywany w postaci ciągu znaków, gotowy do dalszego przetwarzania.

4.2 Wyodrębnianie tekstu strona po stronie

Poniżej znajduje się kod dla drugiego podejścia, które w sposób jawny wyodrębnia tekst z każdej strony pliku PDF.

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))

Ten przykładowy kod początkowo ładuje cały plik PDF i przekształca go w obiekt PdfDocument o nazwie pdf. Aby zapewnić sekwencyjne przetwarzanie każdej konkretnej strony z pliku PDF, dostęp do każdej strony uzyskuje się za pomocą jej numeru lub indeksu strony w obiekcie pdf. Aby to zrobić, najpierw określa się całkowitą liczbę stron w pliku PDF źródłowym za pomocą metody PageCount obiektu pdf.

Przy tej liczbie stron pętla for iteruje przez każdą stronę, wywołując funkcję ExtractTextFromPage w celu wyodrębnienia tekstu z każdej strony dokumentu PDF. Wyodrębniony tekst może być zapisany w zmiennej typu string lub wyświetlony na ekranie użytkownika. W ten sposób metoda ta umożliwia uporządkowane wyodrębnianie tekstu z każdej oddzielnej strony pliku PDF. Te metody, pochodzące z IronPDF, biblioteki Python przeznaczonej do zadań związanych z plikami PDF, podkreślają jej zdolność do łatwego i dokładnego wyodrębniania tekstu z plików PDF. Ta dostępność ma wiele praktycznych zastosowań i zwiększa użyteczność plików PDF w różnych obszarach.