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 ile gerçek IronPDF lisans anahtarınızı değiştirin. Bu lisans, projeniz için tüm kütüphane özelliklerini açmanızı sağlar.

PDF Dosya Formatını Yükleme

Python programınıza mevcut bir PDF dosyasını yüklemeniz gerekir. Bunu IronPDF'den PdfDocument.FromFile yöntemi ile başarabilirsiniz.

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 dosya nesnesi pdfFileObj olarak kullanılan pdfFileObj değişkeninde saklanır.

Tüm PDF Belgesinden Metin Çıkartma

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 kullanılmaktadır. Bu yöntem, PDF dosyasındaki tüm metinleri çıkartır ve all_text adlı bir değişkene saklar.

Belirli Bir PDF Sayfasından Metin Çıkartma

IronPDF, belirli bir sayfadan metin çıkartmayı ExtractTextFromPage yöntemi ile sağlar. Bu yöntem, sadece bazı sayfalardan metin gerektiğinde faydalıdır.

page_2_text = pdfFileObj.ExtractTextFromPage(1)

page_2_text = pdfFileObj.ExtractTextFromPage(1)

Burada, 1. indeksine karşılık gelen ikinci sayfadan metin çıkarıyoruz.

Çıkarılan Metni Yazmak İçin Bir Metin Dosyası 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:

"extracted_text.txt" adında bir dosya açın ve metin verisini kaydedin. Bu işlem için Python'un yerleşik open fonksiyonu kullanılır, dosya modunu "yazma" ("w") olarak ayarlar ve Unicode karakterlerini işlemek için encoding='utf-8' kullanılır.

Her Sayfa İçin Satır Satır Metin Çıkarma

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

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

Yukarıdaki kod, IronPDF'nin get_Pages().Count kullanarak PDF dosyasındaki her sayfayı döngüye alır ve toplam sayfa sayısını alır.

Metni 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'un split yöntemi ile satırlara bölünür. Bu, döngüye alınabilen satırların bir listesi ile sonuçlanır.

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, satır listesi içindeki her satırı döngüye alır, konsola yazdırır ve bu metni uygun formatta sağlamak için her satırdan sonra yeni bir satır karakteri (\n) ekleyerek dosyaya yazar.

Tam Kod

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 görünecek:

Çıkarılan metin

Bu, PDF dosyasından çıkarılan metindir. Ayrıca, dizininizde oluşturulan bir metin belgesi fark edeceksiniz.

TXT dosyasında saklanan çıkarılan metin

Bu metin dosyasında, elde edilen metin formatını sırasını izleyerek bulacaksınız.

Çıkarılan metin dosyası içeriği