Wyodrębnij tekst

from ironpdf import *

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

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

# Extract text from specific page in the document
page_2_text = pdf.ExtractTextFromPage(1)

Install-Package ironpdf

Wyodrębnij tekst

IronPDF for Python może wyodrębnić zawartość tekstową dokumentu PDF — zarówno z całego dokumentu na raz, jak i z poszczególnych stron — używając metod ExtractAllText i ExtractTextFromPage.

Pierwsze kroki

Załaduj PdfDocument z pliku za pomocą PdfDocument.FromFile, a następnie użyj odpowiedniej metody ekstrakcji. Obie metody zwracaja napis w Pythonie zawierajacy wyodrebniony tekst.

Zrozumienie kodu

PdfDocument.FromFile(path): Otwiera istniejący dokument PDF ze wskazanej ścieżki pliku. Dla plikow zabezpieczonych haslem, przekaż haslo jako drugi argument.
ExtractAllText(): Zwraca pojedynczy ciąg znaków zawierający tekst wyodrębniony ze wszystkich stron dokumentu, w kolejności stron.
ExtractTextFromPage(pageIndex): Zwraca zawartość tekstową pojedynczej strony. Argument pageIndex jest oparty na zerowej podstawie — przekaż 0 dla pierwszej strony, 1 dla drugiej i tak dalej.

Przykłady zastosowań

Ekstrakcja tekstu jest przydatna do:

Indeksowania wyszukiwania — sprawiania, by tresc PDF byla przeszukiwalna w bazie danych lub wyszukiwarce.
Parsowania danych — wyodrebniania strukturalnych danych, takich jak numery faktur, daty czy adresy z raportow PDF.
Weryfikacji zawartości — programowego sprawdzania, czy generowane PDFy zawieraja oczekiwany tekst.
Dostepnosci — konwersji zawartosci PDF do zwyklego tekstu dla czytnikow ekranu lub dalszego przetwarzania.

Naucz sie wyodrebniac zawartosc z PDFow za pomoca IronPDF for Python!