如何在 Python 中從 PDF 提取數據

2.1 IronPDF 特性

HTML、HTML5、ASPX 和 Razor/MVC 視圖是可以使用 IronPDF 轉換為 PDF 格式的少數格式之一。 此外，IronPDF 提供從圖像和 HTML 頁面生成 PDF 文件的方便功能。

The IronPDF toolkit can assist with various tasks, including the creation of interactive PDFs, the facilitation of interactive form completion and submission, the efficient merging and dividing of PDF files, accurate text and image extraction, comprehensive text searching within PDF files, the transformation of PDFs into images, and the flexibility to customize font sizes, borders, and background colors. IronPDF 還可以輕鬆完成 PDF 文件轉換。

IronPDF 更進一步，擴展了對用戶代理、代理、cookie、HTTP 標頭和表單變量的支持，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（如字串、流或 URL）生成PDF 文件打印，只需幾行代碼即可實現。

IronPDF 可以通過轉換交互元素並確保文檔內容保持不可更改且可查看但不可編輯，來生產扁平化 PDF 文檔。

3.1 安裝 Python 並創建虛擬環境

確保您的個人計算機上已安裝 Python 編程語言。 這很重要，因為 Python 庫經常被要求執行各種任務。 要實現這一點，請訪問Python 官方網站並下載與您的操作系統兼容的最新版本。 這可確保您擁有正確的工具來有效地使用 Python 庫工作。

安裝 Python 後，建立一個虛擬環境以隔離項目所需的庫，因為某些項目可能需要 Python 中的一些必要庫。 venv 模塊支持構建和管理虛擬環境，可能有助於您的轉換項目擁有整潔的獨立工作空間，尤其是在處理多個 Python 庫時。

3.2 在 PyCharm 中設置新項目

You have the flexibility to write Python code using any text editor or coding environment, such as Visual Studio Code, PyCharm, or Sublime Text. 不過，本文使用 PyCharm（一個用於編寫 Python 代碼的 IDE）來創建 Python 項目。

啟動 PyCharm IDE 後，選擇新項目。

PyCharm IDE 創建新 Python 項目

選擇新項目後，您將看到一個新窗口，允許您指定項目的環境和位置。 下圖可以提供更清晰的了解。

在設置項目位置和環境詳細信息並單擊創建後，您將進入 PyCharm 的界面。 在這裡，您可以找到項目的結構和代碼文件。 這是您管理和開發項目的工作區。 本指南使用的是 Python 3.9 版本。

主 Python 文件

3.3 IronPDF 的庫要求

Python 庫 IronPDF 通常與 .NET 6.0 交互。因此，要有效使用 IronPDF for Python，您的計算機必須裝有 .NET 6.0 運行時。

對於 Linux 和 Mac 用戶，在使用此 Python 模塊之前可能需要安裝 .NET。 有關獲取所需運行時環境的指導，請訪問Microsoft 下載頁面。

3.4 安裝 IronPDF 庫

您必須安裝 "ironpdf" 包以處理 PDF 文件，包括創建、編輯和打開它們。 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

請參考下面的屏幕截圖以了解如何安裝 ironpdf 包。

IronPDF 安裝

4.1 從 PDF 文件提取所有文本數據

在這個示例中，演示了如何使用 IronPDF 從現有 PDF 中提取文本的過程。 在這種情況下，下面的 PDF 文檔用於此演示。

第一種方法側重於從 PDF 文件中提取所有文本。編寫以下代碼以輕鬆對輸入 PDF 進行完整數據提取：

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，以便將其轉換為 PdfDocument 對象。 有了這個對象，可以訪問 PDF 頁面內的文本內容和圖像。 若要從給定的 PDF 文件中提取所有文本，可以使用名為 ExtractAllText 的方法。 提取的文本然後存儲在字符串中，準備進一步處理。

4.2 逐頁文本提取

下面是第二種方法的代碼，該方法顯式從 PDF 文件的每一頁中提取文本。

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 文件並將其轉換為名為 pdf 的 PdfDocument 對象。 為了確保逐頁順序處理 PDF 文件中的每個特定頁面，會使用該 pdf 對象中的頁碼或頁索引訪問每一頁。 首先，使用其 pdf 對象的 PageCount 方法確定輸入 PDF 中存在的總頁數。

有了這個頁數後，一個 for 循環遍歷每一頁，調用 ExtractTextFromPage 函數從 PDF 文檔的每頁中提取文本。 提取的文本可以存儲在一個字符串變量中或顯示在用戶屏幕上。 因此，這種方法可以有序地從每個獨立的 PDF 頁面中提取文本。 這些方法，來自設計用於 PDF 任務的 Python 庫 IronPDF，突顯了其使從 PDF 文件中提取文本變得簡易和徹底的能力。 這種可訪問性具有許多實際應用，並提高了 PDF 在不同領域中的有用性。