Jak analizować plik PDF w Python

Dzięki bibliotekom IronPDF możliwe jest wyodrębnianie tekstu z plików PDF. IronPDF oferuje różne techniki ekstrakcji tekstu. Pierwsze podejście polega na pobraniu całej zawartości strony jako pojedynczego ciągu znaków. Drugie podejście polega na czytaniu treści strona po stronie, zaczynając od pierwszej strony. Poniższy fragment kodu ilustruje wzorzec sprawdzania bieżących plików PDF przy użyciu IronPDF.

Dostępne są dwie metody pobierania danych z pliku PDF:

1. Pobieranie danych z pliku PDF strona po stronie.
2. Wyodrębnianie całego pliku PDF jako tekstu.

Poniżej znajduje się plik PDF, którego będziemy używać w tym artykule. Dokument składa się z dwóch stron.

Plik PDF z numerem strony u góry każdej strony

4.0.1 WYCIĄGANIE TEKSTU Z POJEDYNCZYCH STRON

Poniższy przykładowy kod pokazuje, jak wykorzystać numer strony do pobrania danych z pliku PDF.

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)

Fragment kodu pokazuje użycie funkcji FromFile do odczytania pliku PDF i utworzenia obiektu dokumentu PDF. Ten obiekt umożliwia dostęp do tekstów i obrazów zawartych w pliku PDF. Aby wyodrębnić tekst z konkretnej strony, można użyć metody ExtractTextFromPage, podając numer strony jako parametr. Ta metoda zwróci ciąg znaków zawierający wszystkie słowa na określonej stronie. Wynik zostanie wyświetlony w sposób przedstawiony poniżej.

Zrzut ekranu terminala z tekstem "Strona 1"

Prostokątne pole zaznaczone w wyniku to tekst wyodrębniony z pliku PDF na stronie nr 1, która ma indeks 0.

4.0.2 FRAGMENT ZE WSZYSTKICH STRON

Pierwsze podejście do szybkiego i łatwego uzyskania całej zawartości pliku PDF w postaci ciągu znaków przedstawiono w poniższym przykładzie kodu.

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)

Powyższy przykładowy kod wyjaśnia, jak odczytać plik PDF z istniejącej ścieżki i przekształcić go w obiekt pliku PDF za pomocą funkcji FromFile. Zwykły tekst z pliku PDF zostanie wyodrębniony i przekonwertowany na ciąg znaków za pomocą funkcji ExtractAllText obiektu, a następnie wyodrębniony tekst zostanie wyświetlony na terminalu. Wynik zostanie wyświetlony w sposób przedstawiony poniżej.

Zrzut ekranu terminala z tekstem "Strona 1" i "Strona 2"

Prostokątne ramki, które są podświetlone w wyniku, zawierają dane wyodrębnione ze wszystkich stron pliku PDF.

Jesteśmy w stanie tworzyć pliki PDF przy użyciu języka C# z pomocą biblioteki IronPDF. Aby dowiedzieć się więcej o IronPDF, odwiedź stronę internetową IronPDF.