Como analisar um arquivo PDF em Python

Com o auxílio das bibliotecas IronPDF , é possível extrair texto de arquivos PDF. O IronPDF oferece diversas técnicas para extração de texto. A primeira abordagem envolve recuperar todo o conteúdo da página como uma única string. A segunda abordagem envolve a leitura do conteúdo página por página, começando pela primeira página. O trecho de código a seguir demonstra um padrão para inspecionar arquivos PDF atuais usando o IronPDF.

Existem dois métodos disponíveis para extrair dados de um PDF:

1. Extraindo dados do PDF página por página.
2. Extrair todo o PDF como texto.

Abaixo está o arquivo PDF que usaremos neste artigo. Possui duas páginas.

Um PDF com o número da página no topo de cada página.

4.0.1 EXTRAÇÃO DE TEXTO POR PÁGINAS

O código de exemplo fornecido abaixo demonstra como usar o número da página para recuperar dados de um arquivo 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)

O trecho de código demonstra o uso da função FromFile para ler um arquivo PDF e criar um objeto de documento PDF. Este objeto permite o acesso a textos e imagens dentro do PDF. Para extrair o texto de uma página específica, o método ExtractTextFromPage pode ser usado fornecendo o número da página como parâmetro. Este método retornará uma string contendo todas as palavras da página especificada. O resultado será exibido conforme abaixo.

Uma captura de tela do terminal com a saída de texto "Página 1"

O retângulo destacado no resultado representa o texto extraído do arquivo PDF na página número 1, cujo índice é 0.

4.0.2 EXTRATO DE TODAS AS PÁGINAS

A primeira abordagem para obter de forma rápida e fácil todo o conteúdo do PDF como uma string é mostrada no exemplo de código a seguir.

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)

O código de exemplo mostrado acima explica como ler um PDF a partir de um caminho de arquivo existente e transformá-lo em um objeto de arquivo PDF usando a função FromFile. O texto simples do PDF será extraído e convertido em uma string usando a função ExtractAllText do objeto, e o texto extraído será impresso no terminal. O resultado será exibido como abaixo.

Uma captura de tela do terminal com a saída de texto "Página 1" e "Página 2".

Os retângulos destacados no resultado contêm os dados de texto extraídos de todas as páginas do arquivo PDF.

É possível criar PDFs usando C# com a ajuda do IronPDF. Para saber mais sobre o IronPDF, visite o site do IronPDF .