PDF Sırasıyla Metin Çıkarma

Lisans Anahtarını Uygulama

Devam etmeden önce, IronPDF lisans anahtarınızı uyguladığınızdan emin olun.

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"

YOUR-LICENSE-KEY-HERE öğesini gerçek IronPDF lisans anahtarınızla değiştirin. Bu lisans, projeniz için tüm kütüphane özelliklerinin kilidini açmanıza izin verir.

PDF Dosya Formatını Yükleme

Mevcut bir PDF dosyasını Python programınıza yüklemeniz gerekiyor. Bunu IronPDF'ün PdfDocument.FromFile yöntemi ile gerçekleştirebilirsiniz.

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

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

"content.pdf" okumak istediğiniz PDF dosyasını ifade eder. Bu yüklenen PDF dosyası, bir PDF okuyucu veya PDF dosyası nesnesi olarak kullanılan pdfFileObj değişkeninde saklanır, pdfFileObj.

Tüm PDF Belgesinden Metin Çıkarma

PDF dosyasındaki tüm metin verilerini bir kerede almak istiyorsanız, ExtractAllText yöntemini kullanabilirsiniz.

all_text = pdfFileObj.ExtractAllText()

all_text = pdfFileObj.ExtractAllText()

ExtractAllText yöntemi burada gösterim amacıyla kullanılır. Bu yöntem, PDF dosyasındaki tüm metni çıkarıp all_text adlı bir değişkende depolar.

Belirli bir PDF Sayfasından Metin Çıkarma

IronPDF, belirli bir sayfadan metin çıkarmayı ExtractTextFromPage yöntemi ile mümkün kılar. Bu yöntem bazı sayfalardan sadece metne ihtiyaç duyduğunuzda faydalıdır.

page_2_text = pdfFileObj.ExtractTextFromPage(1)

page_2_text = pdfFileObj.ExtractTextFromPage(1)

Burada, ikinci sayfadan metin çıkarıyoruz; bu, 1 indeksine karşılık gelir.

Çıkarılan Metni Yazmak İçin Bir Metin Dosyasını Başlatma

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

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

Metin verilerini kaydetmek için 'extracted_text.txt' adında bir dosya açın. Python'ın yerleşik open fonksiyonu bu iş için kullanılır, dosya modu "yazma" ("w") olarak ayarlanır, Unicode karakterleri yönetmek için encoding='utf-8' kullanılır.

Satır Satır Metin Çıkarması için Her Sayfayı Döngüye Alın

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

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

Yukarıdaki kod, IronPDF'ün tüm sayfa numarasını almak için get_Pages().Count kullanarak PDF dosyasındaki her bir sayfada döngü yapar.

Metin Çıkarın ve Satırlara Bölün

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

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

Her sayfa için tüm metni almak üzere ExtractTextFromPage yöntemi kullanılır ve ardından Python'ın split yöntemi ile satırlara ayrılır. Bu, döngü yapılabilecek satırların bir listesini oluşturur.

Çıkarılan Satırları Metin Dosyasına Yazın

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

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

Burada, kod satırlar listesindeki her satırdan geçer, bunu konsola yazdırır ve ardından her satırdan sonra bir satır sonu karakteri (\n) ekleyerek düzgün bir şekilde formatlandırmak için dosyaya yazar.

Tam Kodu

İşte kapsamlı uygulama:

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')

Çıktı

Visual Studio Code terminalinde aşağıdaki komutu yazarak Python dosyasını çalıştırın:

python main.py

python main.py

Bu sonuç terminalde gösterilecektir:

Çıkarılan metin

Bu, PDF dosyasından alınan metindir. Ayrıca dizininizde oluşturan bir metin belgesi göreceksiniz.

TXT dosyasında saklanan çıkarılan metin

Bu metin dosyasında, geri alınmış ve sıralı olarak sunulan metin formatını bulacaksınız.

Çıkartılan metin dosyası içeriği