如何從 Python 中的 PDF 提取特定文本

IronPDF。 功能

• 使用 IronPDF，可以從各種來源建立PDF 文件，包括 HTML、HTML5、ASPX 和 Razor/MVC View。 它能夠將 HTML 頁面和圖像轉換為 PDF 文件。
• IronPDF 工具包可以幫助完成許多操作，例如建立互動式 PDF、填寫和提交互動式表單、拆分和合併PDF 文件、提取文字和圖像、在 PDF 文件中搜尋文字、將 PDF 柵格化為圖像、更改字體大小、使用 ChatGPT 進行自然語言處理以及轉換 PDF 頁面屬性等等。 IronPDF 提供 HTML 登入表單驗證，支援使用者代理、代理、cookie、HTTP 標頭和表單變數。 IronPDF 使用使用者名稱和密碼為使用者提供受保護文件的存取權限。
• 只需幾行程式碼，IronPDF 即可從各種來源（包括字串、串流或 URL）列印 PDF 檔案。

環境配置

請確保您的電腦上已安裝 Python。 若要下載並安裝與您的作業系統相容的最新版 Python，請造訪Python 官方網站。 安裝好 Python 後，創建一個虛擬環境，將專案的需求隔離。 使用venv模組建立和管理虛擬環境，為您的轉換專案提供一個整潔、獨立的工作場所。

PyCharm 的新舉措

本次示範推薦使用 PyCharm 作為 Python 程式碼開發 IDE。

啟動 PyCharm IDE 後，選擇"新建專案"。

如何在 Python 中從 PDF 中提取特定文本，圖 1：PyCharm PyCharm

選擇"新建項目"後，將開啟一個新窗口，您可以在其中設定項目的位置和環境。 這可能在下圖中看到。

如何在 Python 中從 PDF 中提取特定文本，圖 2：新項目新項目

選擇專案位置和環境路徑後，按一下"建立"按鈕開始新專案。 然後，可以在新開啟的視窗中建立該程式。 本課程使用 Python 3.9 版本。

如何在 Python 中從 PDF 中提取特定文本，圖 3：建立Python 項目

IronPDF。庫要求

Python 函式庫 IronPDF 主要使用 .NET 6.0。因此，要使用 IronPDF for Python，您的電腦上必須安裝 .NET 6.0 執行階段。 Linux 和 Mac 使用者可能需要先安裝 .NET 才能使用此 Python 模組。 請造訪微軟的這個下載頁面，以取得所需的執行環境。

IronPDF。庫設定

若要產生、修改和開啟副檔名為".pdf"的文件，必須安裝"ironpdf"軟體包。 開啟終端機窗口，輸入以下指令在 PyCharm 中安裝軟體包：

pip install ironpdf

pip install ironpdf

ironpdf軟體套件的安裝過程如下圖所示。

如何在 Python 中從 PDF 中提取特定文本，圖 4：安裝 IronPDF安裝 IronPDF

從PDF文件中逐頁提取內容

下面提供的範例程式碼展示如何使用頁碼從 PDF 檔案中取得資料。

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)

該程式碼片段展示如何讀取 PDF 檔案並使用FromFile函數建立 PDF 物件。 該物件可用於存取 PDF 的文字和圖像。 透過將頁碼作為參數傳遞給ExtractTextFromPage函數，可以從特定頁面檢索文字。 此方法將傳回包含所選頁面上所有單字的字串。 然後，使用 Python 中的split函數將提取的文字中的所有換行符分割開來。 之後，檢查提取文字中的每一行是否包含所需的關鍵字。 如果關鍵字匹配，則會在命令提示字元中顯示特定行。 否則，它將忽略該行並繼續處理下一行。文字擷取的輸出結果如下所示。