W tym artykułe pokażemy, jak używać IronPDF for Python, jednej z najpotężniejszych bibliotek PDF, do wyodrębniania dowolnego tekstu dostępnego w dokumencie PDF.

2.0 Jak wyodrębnić tekst z pliku PDF za pomocą języka Python?

1. Zainstaluj najnowszą wersję języka Python ze strony pobierania Python
2. Otwórz dowolne narzędzie IDE dla języka Python
3. Zainstaluj środowisko uruchomieniowe .NET Core
4. Zainstaluj bibliotekę IronPDF for Python lub pobierz ją ze strony pobierania PyPI
5. Wyodrębnij tekst z pliku PDF

2.1 Czym jest IronPDF for Python?

Integracja biblioteki IronPDF z językiem Python jest prosta, ponieważ jest to język znacznie bardziej dynamiczny w porównaniu z innymi językami i umożliwia programistom szybkie i łatwe tworzenie graficznych interfejsów użytkownika. Posiada mnóstwo preinstalowanych narzędzi, w tym PyQT, wxWidgets, kivy oraz liczne dodatkowe pakiety i biblioteki, z których wszystkie mogą być wykorzystane do szybkiego i bezpiecznego tworzenia w pełni kompletnego GUI.

IronPDF for Python to niezwykle wydajna biblioteka, szczególnie przydatna w tworzeniu stron internetowych. Częściowo winę za to ponosi dostępność tak wielu paradygmatów tworzenia stron internetowych w języku Python, takich jak Django, Flask i Pyramid. Frameworki te są wykorzystywane przez wiele stron internetowych i serwisów online, w tym Reddit, Mozilla i Spotify.

2.2 Funkcje IronPDF

• Plik PDF można utworzyć z różnych źródeł, w tym ze stron internetowych w formatach HTML, HTML5, ASP i PHP. Oprócz plików HTML można również konwertować pliki graficzne do formatu PDF.
• IronPDF umożliwia tworzenie interaktywnych dokumentów PDF, wypełnianie i wysyłanie interaktywnych formularzy, dzielenie i łączenie plików PDF, wyodrębnianie tekstu i obrazów z plików PDF, wyszukiwanie określonych słów w pliku PDF, rasteryzację stron PDF do obrazów, konwersję PDF do HTML oraz drukowanie plików PDF.
• IronPDF umożliwia otwieranie plików PDF i drukowanie z adresu URL. Ponadto umożliwia agentom użytkownika logowanie się za formularzami logowania HTML, serwerami proxy, plikami cookie, nagłówkami HTTP, niestandardowymi danymi logowania do sieci, zmiennymi formularzy i agentami użytkownika.
• Obrazy można wyodrębnić z dokumentów za pomocą IronPDF.
• Dzięki IronPDF bardzo łatwo jest dodawać do dokumentów nagłówki i stopki, tekst i obrazy, zakładki i znaki wodne oraz wiele innych elementów.
• Za pomocą IronPDF można łączyć i rozdzielać strony, korzystając z nowego lub istniejącego dokumentu.
• Bez korzystania z przeglądarki Acrobat dokumenty można konwertować na obiekty PDF.
• Plik CSS może służyć do tworzenia dokumentów PDF.
• Tworzenie dokumentów jest możliwe przy użyciu plików CSS typu media.

2.3 Import biblioteki IronPDF

Aby zaimportować IronPDF, należy umieścić następujące instrukcje importu na początku plików źródłowych, w których będzie używany IronPDF:

from ironpdf import *

from ironpdf import *

2.4 Ustaw klucz licencyjny (jeśli jest wymagany)

Chociaż IronPDF for Python jest darmowy, w plikach PDF dla darmowych użytkowników umieszcza się znak wodny w postaci mozaikowego tła. Aby korzystać z IronPDF do tworzenia plików PDF bez znaków wodnych, należy podać bibliotece prawidłowy klucz licencyjny. Sposób konfiguracji biblioteki za pomocą klucza licencyjnego pokazano w poniższym fragmencie kodu:

# Set the license key for IronPDF
License.LicenseKey = "IRONPDF-LICENSE-KEY-ABCDEFGH"

# Set the license key for IronPDF
License.LicenseKey = "IRONPDF-LICENSE-KEY-ABCDEFGH"

Przed utworzeniem plików PDF lub wprowadzeniem zmian w ich treści upewnij się, że klucz licencyjny jest skonfigurowany. Metoda LicenseKey powinna być wywołana przed jakimikolwiek innymi liniami kodu. Aby uzyskać bezpłatną licencję próbną, odwiedź stronę licencyjną.

2.5 Pliki dziennika

Plik tekstowy o nazwie "Default" może przechowywać komunikaty dziennika wygenerowane przez Custom.log w katalogu skryptu Python. Poniższy fragment kodu można użyć do ustawienia właściwości LogFilePath oraz dostosowania nazwy i lokalizacji pliku dziennika:

# Enable debugging and set the log file path and mode
Logger.EnableDebugging = True
Logger.LogFilePath = "Custom.log"
Logger.LoggingMode = Logger.LoggingModes.All

# Enable debugging and set the log file path and mode
Logger.EnableDebugging = True
Logger.LogFilePath = "Custom.log"
Logger.LoggingMode = Logger.LoggingModes.All

3.0 Wyodrębnianie tekstu z plików PDF za pomocą IronPDF

Biblioteka IronPDF for Python umożliwia konwersję stron PDF na obiekty PDF oraz pozwala na wyodrębnianie tekstu z plików PDF, w tym ze skanowanych plików PDF. Oto przykład pokazujący, jak odczytać istniejący plik PDF za pomocą IronPDF.

Pierwsza metoda polega na wyodrębnieniu całego tekstu dostępnego w pliku PDF; Poniżej znajduje się przykładowy fragment kodu.

from ironpdf import *

# Load existing PDF document
pdf = PdfDocument.FromFile("content.pdf")

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

# Display the extracted text
print(all_text)

from ironpdf import *

# Load existing PDF document
pdf = PdfDocument.FromFile("content.pdf")

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

# Display the extracted text
print(all_text)

Jak zilustrowano w kodzie powyżej, metoda FromFile jest obiektem czytnika PDF, który ładuje istniejący plik PDF i konwertuje go na obiekty dokumentów PDF. Ten obiekt może służyć do odczytu tekstu i obrazów dostępnych na stronach pliku PDF. Obiekt udostępnia metodę nazwaną ExtractAllText, która wyodrębnia każdy fragment tekstu z całego pliku PDF, przechowując tekst w łańcuchu znaków, który można przetworzyć. A następnie użyj funkcji print, aby wyświetlić tekst.

Wyświetlanie tekstu

Przykład kodu dla drugiej metody, którą można wykorzystać do wyodrębniania tekstu z pliku PDF strona po stronie. Znajduje się on poniżej.

from ironpdf import *

# Load existing PDF document
pdf = PdfDocument.FromFile("content.pdf")

# Extract text from a specific page in the document
page_text = pdf.ExtractTextFromPage(1)

# Display the extracted text from the specified page
print(page_text)

from ironpdf import *

# Load existing PDF document
pdf = PdfDocument.FromFile("content.pdf")

# Extract text from a specific page in the document
page_text = pdf.ExtractTextFromPage(1)

# Display the extracted text from the specified page
print(page_text)

Metoda FromFile jest używana do ładowania pliku PDF z istniejącego pliku i konwertowania go na obiekt pliku PDF, jak pokazano w kodzie powyżej. Metoda na obiekcie strony PDF o nazwie ExtractTextFromPage pobiera cały tekst ze strony w pliku PDF. Numer strony musi być podany jako parametr, aby wyodrębnić tekst z danej strony. Następnie, po wyodrębnieniu tekstu, page_text można użyć do przechowania informacji, które mogą być przetworzone.

Zobacz więcej przykładów wyodrębniania tekstu z plików PDF.

4.0 Podsumowanie

Natomiast biblioteka IronPDF oferuje solidne zabezpieczenia, które ograniczają potencjalne ryzyko. Nie jest dostosowany do żadnej konkretnej przeglądarki i działa ze wszystkimi powszechnie używanymi przeglądarkami. IronPDF pozwala programistom w prosty sposób tworzyć i odczytywać pliki PDF za pomocą zaledwie kilku linii kodu. Biblioteka IronPDF oferuje szereg opcji licencyjnych, w tym bezpłatną licencję dla programistów oraz dodatkowe licencje programistyczne dostępne w sprzedaży, aby zaspokoić potrzeby różnych programistów.

IronPDF obejmuje Licencję wieczystą, 30-dniową gwarancję zwrotu pieniędzy, roczną pomoc techniczną oraz opcje aktualizacji. Po dokonaniu pierwszego zakupu nie ma żadnych dodatkowych kosztów. Licencje te mogą być wykorzystywane w środowiskach programistycznych, testowych i produkcyjnych. Dowiedz się więcej o licencjonowaniu produktów.

Pobierz oprogramowanie.