Extrair texto

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)

pip install ironpdf

pip install ironpdf

Extrair texto

IronPDF for Python pode extrair o conteúdo de texto de um documento PDF — tanto de todo o documento de uma vez quanto de páginas individuais — usando os métodos ExtractAllText e ExtractTextFromPage.

Começando

Carregue um PdfDocument de um arquivo usando PdfDocument.FromFile, então chame o método de extração apropriado. Ambos os métodos retornam uma string Python contendo o texto extraído.

Entendendo o código

PdfDocument.FromFile(path): Abre um documento PDF existente do caminho de arquivo especificado. Para arquivos protegidos por senha, passe a senha como segundo argumento.
ExtractAllText(): Retorna uma única string contendo o texto extraído de todas as páginas do documento, na ordem das páginas.
ExtractTextFromPage(pageIndex): Retorna o conteúdo de texto de uma única página. O argumento pageIndex é baseado em zero — passe 0 para a primeira página, 1 para a segunda, e assim por diante.

Casos de uso

A extração de texto é útil para:

Indexação de pesquisa — tornando o conteúdo do PDF pesquisável em um banco de dados ou motor de busca.
Análise de dados — extraindo dados estruturados como números de fatura, datas ou endereços de relatórios em PDF.
Verificação de conteúdo — verificando programaticamente se PDFs gerados contêm o texto esperado.
Acessibilidade — convertendo conteúdo PDF em texto simples para leitores de tela ou processamento subsequente.

Aprenda a extrair conteúdo de PDFs com IronPDF for Python!