Jak wyodrębnić tekst z PDF linia po linii

Stosowanie klucza licencyjnego

Przed rozpoczęciem pracy upewnij się, że zastosowałeś swój klucz licencyjny IronPDF.

from ironpdf import PdfDocument

# Apply your license key to unlock library features
License.LicenseKey = "YOUR-LICENSE-KEY-HERE"

from ironpdf import PdfDocument

# Apply your license key to unlock library features
License.LicenseKey = "YOUR-LICENSE-KEY-HERE"

Zastąp YOUR-LICENSE-KEY-HERE swoim rzeczywistym kluczem licencyjnym IronPDF. Ta licencja pozwala odblokować wszystkie funkcje biblioteki dla Twojego projektu.

Ładowanie pliku w formacie PDF

Musisz załadować istniejący plik PDF do swojego programu w języku Python. Można to osiągnąć za pomocą metody PdfDocument.FromFile z IronPDF.

pdfFileObj = PdfDocument.FromFile("content.pdf")

pdfFileObj = PdfDocument.FromFile("content.pdf")

"content.pdf" odnosi się do pliku PDF, który chcesz przeczytać. Ten załadowany plik PDF jest przechowywany w zmiennej pdfFileObj, używanej jako czytnik PDF lub obiekt pliku PDF pdfFileObj.

Wyodrębnianie tekstu z całego dokumentu PDF

Jeśli chcesz pobrać wszystkie dane tekstowe z pliku PDF jednocześnie, możesz użyć metody ExtractAllText.

all_text = pdfFileObj.ExtractAllText()

all_text = pdfFileObj.ExtractAllText()

Metoda ExtractAllText została tutaj wykorzystana w celach demonstracyjnych. Ta metoda wyodrębnia cały tekst z pliku PDF i zapisuje go w zmiennej o nazwie all_text.

Pobieranie tekstu z określonej strony pliku PDF

IronPDF umożliwia wyodrębnianie tekstu z określonej strony przy użyciu metody ExtractTextFromPage. Ta metoda jest przydatna, gdy potrzebujesz tylko tekstu z niektórych stron.

page_2_text = pdfFileObj.ExtractTextFromPage(1)

page_2_text = pdfFileObj.ExtractTextFromPage(1)

W tym przypadku wyodrębniamy tekst z drugiej strony, odpowiadającej indeksowi 1.

Inicjalizacja pliku tekstowego do zapisywania wyodrębnionego tekstu

with open("extracted_text.txt", "w", encoding='utf-8') as text_file:

with open("extracted_text.txt", "w", encoding='utf-8') as text_file:

Otwórz plik o nazwie "extracted_text.txt", aby zapisać dane tekstowe. W tym celu używana jest wbudowana funkcja Pythona open, ustawiająca tryb pliku na "zapis" ("w"), z encoding='utf-8' do obsługi znaków Unicode.

Przejrzyj każdą stronę w celu wyodrębnienia tekstu linia po linii

for i in range(0, pdfFileObj.get_Pages().Count):

for i in range(0, pdfFileObj.get_Pages().Count):

Powyższy kod przechodzi cyklicznie przez każdą stronę pliku PDF, wykorzystując funkcję get_Pages().Count biblioteki IronPDF w celu uzyskania całkowitej liczby stron.

Wyodrębnij tekst i podziel go na wiersze

page_text = pdf.ExtractTextFromPage(i)
lines = page_text.split('\n')

page_text = pdf.ExtractTextFromPage(i)
lines = page_text.split('\n')

Dla każdej strony używana jest metoda ExtractTextFromPage w celu pobrania całego tekstu, a następnie metoda split w języku Python w celu podzielenia go na wiersze. Wynikiem tego jest lista wierszy, które można przetwarzać w pętli.

Zapisz wyodrębnione wiersze do pliku tekstowego

for eachline in lines:
    print(eachline)
    text_file.write(eachline + '\n')

for eachline in lines:
    print(eachline)
    text_file.write(eachline + '\n')

W tym przypadku kod iteruje przez każdą linię na liście, PRINTując ją w konsoli i zapisując w pliku poprzez dodanie znaku nowej linii (\n) po każdej linii w celu prawidłowego sformatowania tekstu.

Pełny kod

Oto pełna implementacja:

from ironpdf import PdfDocument

# Apply your license key
License.LicenseKey = "Your-License-Key-Here"

# Load an existing PDF file
pdfFileObj = PdfDocument.FromFile("content.pdf")

# Extract text from the entire PDF file
all_text = pdfFileObj.ExtractAllText()

# Extract text from a specific page in the file (Page 2)
page_2_text = pdfFileObj.ExtractTextFromPage(1)

# Initialize a file object for writing the extracted text
with open("extracted_text.txt", "w", encoding='utf-8') as text_file:
    # Get the number of pages in the PDF document
    num_of_pages = pdfFileObj.get_Pages().Count
    print("Number of pages in given document are ", num_of_pages)

    # Loop through each page using the Count property
    for i in range(0, num_of_pages):
        # Extract text from the current page
        page_text = pdfFileObj.ExtractTextFromPage(i)

        # Split the text by lines from this page object
        lines = page_text.split('\n')

        # Loop through the lines and print/write them
        for eachline in lines:
            print(eachline)  # Print each line to the console
            # Write each line to the text document
            text_file.write(eachline + '\n')

from ironpdf import PdfDocument

# Apply your license key
License.LicenseKey = "Your-License-Key-Here"

# Load an existing PDF file
pdfFileObj = PdfDocument.FromFile("content.pdf")

# Extract text from the entire PDF file
all_text = pdfFileObj.ExtractAllText()

# Extract text from a specific page in the file (Page 2)
page_2_text = pdfFileObj.ExtractTextFromPage(1)

# Initialize a file object for writing the extracted text
with open("extracted_text.txt", "w", encoding='utf-8') as text_file:
    # Get the number of pages in the PDF document
    num_of_pages = pdfFileObj.get_Pages().Count
    print("Number of pages in given document are ", num_of_pages)

    # Loop through each page using the Count property
    for i in range(0, num_of_pages):
        # Extract text from the current page
        page_text = pdfFileObj.ExtractTextFromPage(i)

        # Split the text by lines from this page object
        lines = page_text.split('\n')

        # Loop through the lines and print/write them
        for eachline in lines:
            print(eachline)  # Print each line to the console
            # Write each line to the text document
            text_file.write(eachline + '\n')

Wynik

Uruchom plik Python, wpisując następujące polecenie w terminalu Visual Studio Code:

python main.py

python main.py

Wynik ten zostanie wyświetlony w terminalu:

Wyodrębniony tekst

Jest to tekst pobrany z pliku PDF. Zauważysz również dokument tekstowy utworzony w Twoim katalogu.

Wyodrębniony tekst zapisany w pliku TXT

W tym pliku tekstowym znajdziesz pobrany tekst w formacie tekstowym, przedstawiony w kolejności.

Treść wyodrębnionego pliku tekstowego