如何在 Python 中從 PDF 提取資料

2.1 IronPDF功能

HTML、HTML5、ASPX和Razor/MVC View是一些可以通過IronPDF轉換成PDF格式的格式。 此外，IronPDF還提供從圖像和HTML頁面生成PDF文件的便捷功能。

IronPDF工具包可協助完成各種任務，包括建立互動PDF、促進互動表單的完成和提交、高效合併和拆分PDF文件、準確提取文字和圖像，在PDF文件中進行綜合文字搜索，將PDF轉換成圖像，以及定制字體大小、邊框和背景顏色的靈活性。 IronPDF還可以輕鬆實現PDF文件的轉換。

IronPDF更進一步，通過支援使用者代理、代理伺服器、Cookie、HTTP標頭和表單變數來加強HTML登錄表單驗證。 它使用使用者名和密碼來保護使用者存取PDF內的安全文字。

可以從多個來源生成PDF文件列印，例如字串、流或URL，並只需幾行程式碼即可達成。

IronPDF可以通過轉換互動元素生成平坦化PDF文件，確保文件的內容保持不變且可檢視但不可編輯。

3.1 安裝Python和建立虛擬環境

確保您已在個人電腦上安裝Python程式語言。 這很重要，因為Python程式庫在許多任務中經常需要。 為此，存取官方Python網站並下載與您的操作系統相容的最新版本。 這確保您擁有合適的工具以有效使用Python程式庫。

安裝Python後，建立虛擬環境以隔離您專案所需的程式庫，因為某些專案可能需要一些必要的Python程式庫。 venv模組，允許您構建和維護虛擬環境，可能有助於您的轉換專案擁有一個整潔、自主的工作空間，特別是在處理多個Python程式庫時。

3.2 在PyCharm中建立新專案

您可以靈活地選擇使用任何文字編輯器或編程環境編寫Python程式碼，例如Visual Studio Code，PyCharm，或Sublime Text。 然而，本文使用PyCharm，這是一個用於編寫Python程式碼的IDE，來建立一個Python專案。

一旦啟動PyCharm IDE，選擇New Project。

PyCharm IDE建立新Python專案

選擇New Project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的清晰度。

設置好專案位置和環境詳細資訊後，單擊Create您將進入PyCharm的介面。 在這裡，您將找到專案的結構和程式碼文件。 這是您管理和開發專案的工作空間。 本指南中使用的版本是Python 3.9。

主要Python文件

3.3 IronPDF程式庫的要求

Python程式庫IronPDF通常與.NET 6.0介面。 因此，為了有效使用IronPDF for Python，您的電腦必須裝有.NET 6.0運行時。

對於Linux和Mac使用者，可能需要在使用此Python模組之前安裝.NET。 有關獲取所需運行環境的指南，請存取此Microsoft下載頁面。

3.4 安裝IronPDF程式庫

您需要安裝"IronPDF"套件以使用PDF文件，包含建立、編輯和開啟它們。 在PyCharm中要做到這一點，打開終端窗口並輸入此命令：

pip install ironpdf

有關在ironpdf包安裝方面的截圖，請參考下面。

IronPDF安裝

4.1 從PDF文件中提取所有文字資料

在此範例中，展示了使用IronPDF從現有PDF中提取文字的過程。 在這種情況下，下面的PDF文件用於此演示。

第一種方法側重於提取PDF文件中的所有文字。編寫以下程式碼即可輕鬆對輸入的PDF進行完整資料提取：

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()

如上所述程式碼所示，FromFile方法起著關鍵作用。 它從現有位置載入PDF文件，將其轉換成PdfDocument物件。 有了此物件，便可以存取PDF頁面內的文字內容和圖像。 要從給定的PDF文件中提取所有文字，使用一個名為ExtractAllText的方法。 提取的文字然後被儲存在一個字串中，以便進一步處理。

4.2 按頁提取文字

以下是第二種方法的程式碼，這種方法明確地從PDF文件的每一頁提取文字。

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))

此範例程式碼最初載入整個PDF文件並將其轉換成一個名為PdfDocument物件。 為確保PDF文件中的每個特定頁面按順序處理，pdf物件中每頁都由其頁面號或頁索引存取。 要做到這一點，首先，使用其PageCount方法確定輸入PDF中存在的頁面總數。

有了這個頁面計數，ExtractTextFromPage函式從PDF文件的每一頁提取文字。 提取的文字可以儲存在字串變數中或顯示在使用者螢幕上。 因此，此方法使從每個獨立PDF頁面進行有組織的文字提取成為可能。 這些來自Python library IronPDF的程式，專為PDF任務而設計，突顯其使從PDF文件中提取文字變得輕鬆和徹底的能力。 這種可及性有許多實際應用，並提高了PDF在不同領域的實用性。