如何在 Python 中從 PDF 提取數據

2.1 IronPDF功能

HTML、HTML5、ASPX和Razor/MVC視圖是通過使用IronPDF可轉換為PDF格式的多種格式。 此外，IronPDF還提供了將生成PDF檔案從圖像和HTML頁面的便捷功能。

IronPDF工具箱可以協助完成多項工作，包括創建交互式PDF、促進交互式表單填寫和提交、高效地合併和分割PDF文件、準確的文本和圖像提取，在PDF文件中進行全面文本搜索，將PDF轉換為圖像，以及自定義字體大小、邊界和背景顏色的靈活性。 IronPDF還可以輕鬆地實現PDF文件轉換。

IronPDF進一步擴展了對用戶代理、代理伺服器、Cookie、HTTP標頭和表單變量的支援，從而增強了HTML登錄表單驗證。 它使用用戶名和密碼來保護用戶訪問PDF中包含的安全文本。

可以從多個來源（例如字符串、流或URL）生成PDF文件列印輸出，只需幾行代碼即可實現。

IronPDF可以通過轉換交互式元素來生成平面化的PDF文件，以確保文件內容保持不可更改但可查看。

3.1 安裝Python和創建虛擬環境

確保您的個人電腦上已安裝Python程式語言。 這一點很重要，因為Python程式庫在多種任務中經常需要。 要做到這一點，請訪問Python官方網站，下載與您的操作系統相容的最新版本。 這樣可以確保您擁有與Python程式庫有效協作的正確工具。

安裝Python後，建立一個虛擬環境以隔離專案所需的程式庫，因為某些專案可能需要一些來自Python的必要程式庫。 venv 模組可以幫助您的轉換項目擁有一個整齊的自給自足的工作場所，特別是在處理多個Python程式庫時。

3.2 在PyCharm中創建新專案

您可以靈活地使用任何文本編輯器或程式編寫環境撰寫Python代碼，例如Visual Studio Code、PyCharm或Sublime Text。 然而，本文使用PyCharm，一個編寫Python代碼的集成開發環境（IDE），來創建Python專案。

一旦啟動PyCharm IDE，選擇新專案。

PyCharm IDE創建新Python專案

選擇新專案後，您將看到一個新窗口，允許您指定專案的環境和位置。 下面的圖片可能提供更多清晰度。

設置專案位置和環境細節並點擊創建後，您將進入PyCharm的介面。 在這裡，您會發現專案的結構和代碼文件。 這是管理和開發專案的工作區。 本指南使用的是Python 3.9版本。

主要Python檔案

3.3 IronPDF的程式庫要求

IronPDF的Python程式庫通常與.NET 6.0接口。因此，要有效使用IronPDF for Python，您的電腦必須裝備.NET 6.0運行時。

對於Linux和Mac用戶，在使用此Python模組之前可能需要安裝.NET。 如需有關獲取所需運行環境的指導，請參閱此Microsoft下載頁面。

3.4 安裝IronPDF程式庫

您需要安裝"ironpdf"套件來處理PDF文件，包括創建、編輯和開啟它們。 要在PyCharm中執行此操作，請打開終端窗口並輸入此命令：

 pip install ironpdf

在下面的截圖中參考ironpdf包安裝。

IronPDF安裝

4.1 從PDF文件中提取所有文本數據

在此示例中，演示了使用IronPDF從現有PDF中提取文本的過程。 在這種情況下，下面的PDF文件用於此演示。

第一種方法側重於從PDF文件中提取所有文本。撰寫以下代碼即可輕鬆地對輸入PDF進行完整的數據提取：

from ironpdf import *

# Load a PDF document from a file
pdf = PdfDocument.FromFile("sampleData.pdf")

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

from ironpdf import *

# Load a PDF document from a file
pdf = PdfDocument.FromFile("sampleData.pdf")

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

如上面的代碼所示，FromFile方法發揮了關鍵作用。 它從現有位置加載PDF文件，將其轉換為PdfDocument物件。 通過此對象，可以訪問PDF頁面中存在的文本內容和圖像。 要從給定的PDF文件中提取所有文本，使用名為ExtractAllText的方法。 提取的文本然後被儲存在一個字符串中，準備進一步處理。

4.2 分頁提取文本

下面是第二種方法的代碼，明確地從PDF文件的每一頁提取文本。

from ironpdf import *

# Load a PDF document from a file
pdf = PdfDocument.FromFile("sampleData.pdf")

# Iterate over each page and extract text
for xpage in range(pdf.PageCount):
    # Extract text from the current page
    print(pdf.ExtractTextFromPage(xpage))

from ironpdf import *

# Load a PDF document from a file
pdf = PdfDocument.FromFile("sampleData.pdf")

# Iterate over each page and extract text
for xpage in range(pdf.PageCount):
    # Extract text from the current page
    print(pdf.ExtractTextFromPage(xpage))

此示例代碼最初加載整個PDF文件並將其轉換為pdf。 為確保PDF文件中的每個頁面都按照順序進行處理，使用其頁碼或在pdf對象中的頁索引來訪問每個頁面。 首先要這樣做，使用其PageCount方法來確定輸入PDF中的總頁數。

有了這個頁數，ExtractTextFromPage函數從PDF文檔的每一頁中提取文本。 提取的文本可以存儲在字符串變量中或顯示在使用者螢幕上。 因此，這種方法可以有組織地從每個單獨的PDF頁面中提取文本。 這些方法源自IronPDF，一個專為PDF任務設計的Python程式庫，突顯其使PDF文件中的文本提取變得簡單全面的能力。 這種可訪問性在許多實際應用中具有很高的實用性，增加了PDF在不同領域的用途。