如何在 Python 中從 PDF 提取數據

2.1 IronPDF 功能

IronPDF 可以將 HTML、HTML5、ASPX 和 Razor/MVC View 等少數幾種格式轉換為 PDF 格式。 此外，IronPDF 還提供了從圖像和 HTML 頁面產生 PDF 文件的便利功能。

IronPDF 工具包可以協助完成各種任務，包括建立互動式 PDF、促進互動式表單的填寫和提交、有效率地合併和分割PDF 文件、精確地提取文字和圖像、在 PDF 文件中進行全面的文字搜尋、將PDF 轉換為圖像，以及靈活地自訂字體大小、邊框和背景顏色。 IronPDF 還可以輕鬆實現 PDF 文件轉換。

IronPDF 更進一步，擴展了對用戶代理、代理、cookie、HTTP 標頭和表單變數的支持，從而增強了HTML 登入表單驗證。 它使用使用者名稱和密碼來保護使用者對 PDF 中包含的安全文字的存取。

PDF 檔案列印可以從多種來源生成，例如字串、串流或 URL，只需幾行程式碼即可實現。

IronPDF 可以透過轉換互動元素來產生扁平化的 PDF 文檔，並確保文檔內容保持不可變更且可檢視但不可編輯的狀態。

3.1 安裝 Python 並建立虛擬環境

請確保您的個人電腦上已安裝 Python 程式語言。 這一點很重要，因為各種任務經常需要用到 Python 函式庫。 要實現這一點，請訪問Python 官方網站並下載與您的作業系統相容的最新版本。 這可以確保您擁有有效使用 Python 庫的合適工具。

安裝 Python 後，建立一個虛擬環境來隔離專案所需的函式庫，因為有些專案可能需要 Python 中的一些必要函式庫。 venv模組可以讓你建置和維護虛擬環境，這可以幫助你的轉換專案擁有一個整潔、自主的工作環境，尤其是在處理多個 Python 程式庫時。

3.2 在 PyCharm 中設定新項目

您可以靈活地使用任何文字編輯器或編碼環境來編寫 Python 程式碼，例如Visual Studio Code 、 PyCharm或Sublime Text 。 然而，本文使用 PyCharm（一個用於編寫 Python 程式碼的 IDE）來建立一個 Python 專案。

啟動 PyCharm IDE 後，選擇"新建專案" 。

如何在 Python 中從 PDF 中提取數據，圖 1：使用 PyCharm IDE 建立新的 Python 項目 使用 PyCharm IDE 建立新的 Python 專案

選擇"新建項目"後，您將看到一個新窗口，您可以在其中指定項目的環境和位置。 下圖或許能更清楚說明問題。

設定好專案位置和環境詳情並點擊"建立"後，您將進入 PyCharm 的介面。 在這裡，您可以找到專案的結構和程式碼檔案。 這是您管理和開發專案的工作區。 本指南中使用的是 Python 3.9 版本。

如何在 Python 中從 PDF 提取數據，圖 2：主 Python 文件 主 Python 文件

3.3 IronPDF 的庫要求

Python 函式庫 IronPDF 通常與 .NET 6.0 介接。因此，要有效地使用 IronPDF for Python，您的電腦必須配備 .NET 6.0 執行環境。

對於 Linux 和 Mac 用戶，可能需要在使用此 Python 模組之前安裝 .NET。 如需取得所需執行時間環境的指導，請造訪此Microsoft 下載頁面。

3.4 安裝 IronPDF 庫

您必須安裝"ironpdf"軟體包才能處理PDF文件，包括建立、編輯和開啟PDF文件。 若要在 PyCharm 中執行此操作，請開啟終端機視窗並輸入以下命令：

pip install ironpdf

請參考下面的螢幕截圖，了解ironpdf軟體套件的安裝方法。

如何在 Python 中從 PDF 提取數據，圖 3：IronPDF 安裝 IronPDF 安裝

4.1 從PDF文件中提取所有文字數據

本範例示範如何使用 IronPDF 從現有 PDF 中擷取文字。 本示範將使用以下PDF文件。

第一種方法著重於從 PDF 文件中提取所有文字。編寫以下程式碼即可輕鬆地對輸入的 PDF 檔案執行完整的資料擷取：

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()

如上面的程式碼所示， FromFile方法扮演關鍵角色。 它從現有位置載入 PDF 文件，並將其轉換為PdfDocument物件。 透過此對象，可以存取 PDF 頁面中的文字內容和圖像。 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。 提取出的文字隨後儲存在一個字串中，以便進行進一步處理。

4.2 逐頁文本提取

下面的程式碼是第二種方法，它明確地從 PDF 文件的每一頁中提取文字。

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))

此範例程式碼首先載入整個 PDF 檔案並將其轉換為名為pdf PdfDocument物件。 為了確保按順序處理 PDF 文件中的每一頁，都是透過pdf物件中的頁碼或頁索引來存取每一頁的。 首先，使用pdf物件的PageCount方法來確定輸入 PDF 中的總頁數。

根據這個頁數，一個for迴圈遍歷每一頁，呼叫ExtractTextFromPage函數從 PDF 文件的每一頁中提取文字。 提取的文字可以儲存在字串變數中，也可以顯示在使用者螢幕上。 因此，該方法能夠有條不紊地從每個單獨的 PDF 頁面中提取文字。 這些方法來自 IronPDF，這是一個專為 PDF 任務設計的 Python 庫，突顯了它能夠輕鬆徹底地從 PDF 文件中提取文字的能力。 這種可訪問性具有許多實際應用價值，並提高了 PDF 在不同領域的實用性。