Jak wyodrębnić konkretny tekst z PDF w Python

Funkcje IronPDF

• Dzięki IronPDF pliki PDF można tworzyć z różnych źródeł, w tym HTML, HTML5, ASPX oraz Razor/MVC View. Oferuje możliwość konwersji stron HTML i obrazów do plików PDF.
• Tworzenie interaktywnych plików PDF, wypełnianie i przesyłanie interaktywnych formularzy, dzielenie i łączenie plików PDF, wyodrębnianie tekstu i obrazów, wyszukiwanie tekstu w plikach PDF, rasteryzacja plików PDF do obrazów, zmiana rozmiarów czcionek, przetwarzanie języka naturalnego przy użyciu ChatGPT oraz konwersja stron PDF to tylko niektóre z czynności, w których może pomóc zestaw narzędzi IronPDF.
• IronPDF oferuje walidację formularzy logowania HTML z obsługą agentów użytkownika, serwerów proxy, plików cookie, nagłówków HTTP i zmiennych formularza.
• IronPDF wykorzystuje nazwy użytkowników i hasła, aby zapewnić użytkownikom dostęp do chronionych dokumentów.
• Za pomocą zaledwie kilku wierszy kodu IronPDF może wydrukować plik PDF z różnych źródeł, w tym ciągu znaków, strumienia lub adresu URL.

Konfiguracja środowiska

Upewnij się, że na Twoim komputerze jest zainstalowany Python. Aby pobrać i zainstalować najnowszą wersję języka Python zgodną z Twoim systemem operacyjnym, przejdź na oficjalną stronę internetową języka Python. Po zainstalowaniu języka Python utwórz środowisko wirtualne, aby oddzielić potrzeby związane z Twoim projektem. Twórz i zarządzaj środowiskami wirtualnymi za pomocą modułu venv, aby zapewnić swojemu projektowi konwersji uporządkowane, oddzielne miejsce pracy.

Nowa inicjatywa w PyCharm

W tym przykładzie jako środowisko IDE do tworzenia kodu w języku Python zaleca się PyCharm.

Po uruchomieniu środowiska IDE PyCharm wybierz opcję "Nowy projekt".

PyCharm

Po wybraniu opcji "Nowy projekt" otworzy się nowe okno, w którym można ustawić lokalizację i srodowisko projektu. Przykład można zobaczyć na poniższym obrazku.

Nowy projekt

Po wybraniu lokalizacji projektu i ścieżki środowiska kliknij przycisk Utwórz, aby rozpocząć nowy projekt. Program można następnie uruchomić w nowym oknie, które otworzy się w wyniku tej operacji. W tej lekcji używany jest Python 3.9.

Utwórz projekt w języku Python

Wymagania dotyczące biblioteki IronPDF

Biblioteka IronPDF dla języka Python w dużej mierze wykorzystuje platformę .NET 6.0. W związku z tym, aby korzystać z IronPDF for Python, na komputerze musi być zainstalowane środowisko uruchomieniowe .NET 6.0. Być może konieczne będzie zainstalowanie platformy .NET, zanim ten moduł Pythona będzie mógł być używany przez użytkowników systemów Linux i Mac. Odwiedź tę stronę pobierania firmy Microsoft, aby uzyskać potrzebne środowisko uruchomieniowe.

Konfiguracja biblioteki IronPDF

Aby generować, modyfikować i otwierać pliki z rozszerzeniem ".pdf", należy zainstalować pakiet "IronPDF". Otwórz okno terminala i wprowadź następujące polecenie, aby zainstalować pakiet w PyCharm:

pip install ironpdf

pip install ironpdf

Instalacja pakietu ironpdf została przedstawiona na poniższym zrzucie ekranu.

Zainstaluj IronPDF

Wyodrębnianie strona po stronie z pliku PDF

Poniższy przykładowy kod pokazuje, jak uzyskać dane z pliku PDF na podstawie numeru strony.

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)

Fragment kodu pokazuje, jak odczytać plik PDF i utworzyć obiekt PDF za pomocą funkcji FromFile. Ten obiekt może służyć do uzyskiwania dostępu do tekstu i obrazów w pliku PDF. Przekazując numer strony jako parametr do funkcji ExtractTextFromPage, można pobrać tekst z określonej strony. Ta metoda zwróci ciąg zawierający wszystkie słowa na wybranej stronie. Następnie użyj funkcji split w języku Python, aby rozdzielić wszystkie nowe linie z wyodrębnionego tekstu. Następnie sprawdź, czy każda linijka w wyodrębnionym tekście zawiera wymagane słowa kluczowe. Jeśli słowo kluczowe pasuje, wyświetli się konkretna linia w wierszu poleceń. W przeciwnym razie pominie tę linię i przejdzie do następnej. Wynik ekstrakcji tekstu będzie wyglądał tak, jak pokazano poniżej.