如何從 Python 中的 PDF 提取特定文本

IronPDF特性

• 使用IronPDF，可以從各種來源創建PDF文件，包括HTML、HTML5、ASPX和Razor/MVC View。 它提供了將HTML頁面轉換和將圖像轉換為PDF文件的功能。
• 創建交互式PDF、完成並提交交互式表單、拆分和合併PDF文件、提取文本和圖像、在PDF文件中搜索文本、將PDF光柵化為圖像、更改字體大小、使用ChatGPT進行自然語言處理以及將PDF頁面屬性轉換只是IronPDF工具包可以協助的部分活動。
• IronPDF提供HTML登錄表單驗證，支援用戶代理、代理伺服器、Cookie、HTTP標頭和表單變數。
• IronPDF通過使用用戶名和密碼來提供對受保護文件的訪問。
• 使用幾行代碼，IronPDF即可從各種來源打印PDF文件，包括字符串、流或URL。

環境配置

確保您的計算機上已安裝Python。 要下載並安裝兼容您的操作系統的最新Python版本，請訪問官方Python網站。 安裝Python後，創建一個虛擬環境以隔離您專案的需求。 使用venv模組創建和管理虛擬環境，為您的轉換專案提供一個整潔、單獨的工作環境。

在PyCharm中的新項目

建議使用PyCharm作為開發Python代碼的IDE。

啟動PyCharm IDE後，選擇"New Project"。

PyCharm

選擇"New Project"時，將打開一個新窗口，允許您設置專案的位置和環境。 這可以看到下圖所示。

新專案

選擇好專案位置和環境路徑後，點擊創建按鈕開始一個新專案。 然後，將在新窗口中創建該程序。 在本教程中，使用的是Python 3.9。

創建Python專案

IronPDF程式庫需求

Python程式庫IronPDF主要使用.NET 6.0。因此，要在您的計算機上使用IronPDF for Python，必須安裝.NET 6.0運行時。 Linux和Mac用戶可能需要安裝.NET才能使用此Python模塊。 訪問Microsoft的下載頁面來獲取所需的運行時環境。

安裝IronPDF程式庫

要生成、修改和打開具有".pdf"擴展名的文件，必須安裝"ironpdf"套件。 開啟終端窗口，輸入以下命令以安裝該包於PyCharm中：

pip install ironpdf

pip install ironpdf

下圖顯示了ironpdf套件的安裝情況。

安裝IronPDF

從PDF逐頁提取

下方提供的示例代碼顯示了如何使用頁碼從PDF文件中獲取數據。

from ironpdf import PdfDocument

# Load the PDF file
pdf = PdfDocument.FromFile('F:\\PDF\\Extract.pdf')
# Extract text from the first page of the PDF document
all_text = pdf.ExtractTextFromPage(0)
# Iterate over each line in the extracted text
for line in all_text.split('\n'):
    # Check if the line contains the keyword "Name"
    if 'Name' in line:
        # Print the line if it contains the keyword
        print(line)

from ironpdf import PdfDocument

# Load the PDF file
pdf = PdfDocument.FromFile('F:\\PDF\\Extract.pdf')
# Extract text from the first page of the PDF document
all_text = pdf.ExtractTextFromPage(0)
# Iterate over each line in the extracted text
for line in all_text.split('\n'):
    # Check if the line contains the keyword "Name"
    if 'Name' in line:
        # Print the line if it contains the keyword
        print(line)

代碼片段顯示了如何使用FromFile函數讀取PDF文件並構建PDF對象。 此對象可用於訪問PDF中的文本和圖像。 通過將頁碼作為參數傳遞給ExtractTextFromPage函數，可以從特定頁面檢索文本。 此方法將返回一個包含所選頁面所有字詞的字符串。 然後，使用Python中的split函數將提取的文本中的所有新行分割。 之後，檢查提取的文本中每行是否包含所需的關鍵字。 如果關鍵字匹配，它將在命令提示字符中顯示特定行。 否則，它將忽略該行並繼續下一行。文本提取的輸出將如下圖所示。