如何從 Python 中的 PDF 提取特定文本

IronPDF 特性

• 使用 IronPDF，可從多個來源創建 PDF 文件，包括 HTML、HTML5、ASPX 和 Razor/MVC 觀點。 It offers the ability to convert HTML pages and images into PDF files.
• Creating interactive PDFs, completing and submitting interactive forms, splitting and combining PDF files, extracting text and images, searching text within PDF files, rasterizing PDFs to images, changing font sizes, natural language processing using ChatGPT, and converting PDF pages property are just a few of the activities that the IronPDF toolkit can help with.
• IronPDF 提供 HTML 登錄表單驗證，支持用戶代理、代理、Cookies、HTTP 頭信息和表單變數。
• IronPDF 使用用戶名和密碼授權用戶訪問受保護的文件。
• 使用少量代碼，IronPDF 可以從多個來源（包括字符串、流或 URL）打印 PDF 文件。

環境配置

確保在您的計算機上已安裝 Python。 要下載並安裝與您的操作系統兼容的最新 Python 版本，請訪問官方 Python 網站。 在安裝 Python 後創建虛擬環境以分隔您的項目的需求。 使用venv模塊創建和管理虛擬環境，為您的轉換項目提供乾淨獨立的工作環境。

在 PyCharm 中創建新項目

在本演示中，推薦使用 PyCharm 作為開發 Python 代碼的 IDE。

啟動 PyCharm IDE 後，選擇“新項目”。

PyCharm

選擇“新項目”後，將打開一個新窗口，允許您設置項目的位置和環境。 以下圖像可能會顯示這一點。

新項目

選擇項目位置和環境路徑後，單擊創建按鈕以開始新項目。 然後，程序可以在隨之打開的新窗口中創建。 在此課程中使用的是 Python 3.9。

創建 Python 項目

IronPDF 庫要求

Python 庫 IronPDF 大量使用 .NET 6.0。因此，必須在您的計算機上安裝 .NET 6.0 運行時以便使用 IronPDF for Python。 在使用此 Python 模塊之前，Linux 和 Mac 用戶可能需要安裝 .NET。 請訪問此Microsoft 下載頁面獲取所需的運行時環境。

IronPDF 庫設置

要生成、修改和打開“.pdf”擴展名的文件，需要安裝“ironpdf”包。 打開終端窗口，輸入以下命令以在 PyCharm 中安裝該包：

pip install ironpdf

pip install ironpdf

铁pdf包的安裝如下面的屏幕截圖所示。

安裝 IronPDF

按頁從 PDF 提取

下方提供的示例代碼展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)

代碼片段展示了如何使用FromFile函數讀取 PDF 文件並構建 PDF 對象。 此對象可用於訪問 PDF 的文本和圖像。 通過將頁號作為參數傳遞給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上所有單詞的字符串。 然後，使用 Python 中的split函數從提取的文本中拆分出所有新行。 之後，檢查提取的文本中的每一行是否包含所需的關鍵字。 如果關鍵詞匹配，則在命令提示符中顯示特定行。 否則，它將忽略該行並移到下一行。文本提取的輸出將顯示如下。