使用IRONPDF FOR PYTHON

Python 中的 PDFtoText：逐步教程

發佈 2024年1月4日

PDF 檔案是最受歡迎的數位文件格式之一。它們受到青睞是因為其在不同系統間的相容性，以及能夠保留複雜文件格式的能力。

在資料管理中，將 PDF 文件轉換為可編輯的格式或提取文本進行分析是非常有價值的。這個轉換過程使企業和個人能夠挖掘和利用原本封閉在靜態文件中的數據。

Python 擁有廣泛的函式庫生態系，提供了一種操作 PDF 檔案的便捷且強大的方式。無論是提取數據、轉換 PDF 文件，還是自動生成報告，Python 的簡單性和豐富的工具使其成為 PDF 處理任務的首選語言。

什麼是 IronPDF？

IronPDF是一個全面的適用於Python開發人員的PDF渲染庫以便促進與 PDF 檔案的互動。它提供了一套強大的工具，允許在 Python 編程環境中創建、操作和轉換 PDF 文件。

IronPDF 將 Python 腳本的便利性與 PDF 處理所需的文件管理能力相結合，使開發人員能夠直接在其應用程式中整合 PDF 功能。

系統需求和安裝指南

在安裝 IronPDF 之前，請確認您的系統符合以下要求：

您的系統上已安裝 Python 3.x。
訪問 pip(Python套件安裝程式)便於安裝。
如果您在 Windows 系統上運行，則需要 .NET Framework，因為 IronPDF 依賴 .NET 來運作。
一旦您確認系統符合這些要求，您可以使用 pip 安裝 IronPDF。打開您的命令行或終端，運行以下命令：

pip install ironpdf

pdftotext Python（開發者教程）：圖1

確保您使用的是最新版本的IronPDF for Python庫。此命令將在您的 Python 環境中下載並安裝 IronPDF 庫和所有必需的依賴項。

將 PDF 轉換為文本：一步步教程

步驟 1：導入 IronPDF

from ironpdf import *

from ironpdf import *

PYTHON

這段程式碼片段以導入語句開始，將 IronPDF 函式庫中的所有必要組件引入到您的 Python 腳本中。使用 IronPDF 提供的類及方法來處理 PDF 文件是必不可少的。

步驟2：設定日誌記錄

# Set a log path
Logger.EnableDebugging = True
Logger.LogFilePath = "Custom.log"
Logger.LoggingMode = Logger.LoggingModes.All

# Set a log path
Logger.EnableDebugging = True
Logger.LogFilePath = "Custom.log"
Logger.LoggingMode = Logger.LoggingModes.All

PYTHON

Logger.EnableDebugging = True：此行啟用 IronPDF 庫中的偵錯功能。在追踪庫運行時，除錯非常重要，尤其是遇到故障排除問題時。

Logger.LogFilePath = "Custom.log"：在這裡，您指定了日誌文件的路徑和名稱。該庫將把所有的調試信息寫入 "Custom.log"。確保您寫入的目錄存在並且可以寫入。

Logger.LoggingMode = Logger.LoggingModes.All：通過將日誌模式設置為All，您是在指示記錄器記錄所有事件，包括信息級日誌、警告和錯誤。這種全面的日誌記錄對於調試非常有價值。

步驟 3：載入 PDF 文件

# Load existing PDF document
pdf = PdfDocument.FromFile("content.pdf")

# Load existing PDF document
pdf = PdfDocument.FromFile("content.pdf")

PYTHON

PdfDocument.FromFile("content.pdf")：此命令通過創建一個新的 PdfDocument 對象，將名為 "content.pdf" 的 PDF 文件加載到 IronPDF 環境中。

pdf 變數現在保存了您的 PDF 文件，並允許您執行各種操作。

第 4 步：從整個文件中提取文字

# Extract text from PDF document
all_text = pdf.ExtractAllText()
print(all_text)

# Extract text from PDF document
all_text = pdf.ExtractAllText()
print(all_text)

PYTHON

pdf.ExtractAllText()：此方法在pdf物件上呼叫，該物件保存您所載入的 PDF 文件。它從文件中提取所有文字內容。文字然後被儲存在變數 all_text 中。

列印(所有文字)**：此行將提取的文字列印至主控台。這是一種驗證文字提取過程是否正確運作並立即查看輸出的方式。

pdftotext Python（開發者教程）：圖2

步驟 5：從特定頁面提取文本

# Load existing PDF document
pdf = PdfDocument.FromFile("content.pdf")
# Extract text from specific page in the document
page_text = pdf.ExtractTextFromPage(1)

# Load existing PDF document
pdf = PdfDocument.FromFile("content.pdf")
# Extract text from specific page in the document
page_text = pdf.ExtractTextFromPage(1)

PYTHON

PdfDocument.FromFile("content.pdf")：雖然此文件先前已被加載過，但此行重複顯示您需要一個 PDF 檔案物件，(PdfDocument 物件)從中提取文本。您不需要在連續指令中再次載入文件。

Pdf.ExtractTextFromPage(1)：此方法從指定的 PDF 文件頁面中提取文本。參數 1 表示該文字應從第二頁刪除。(由於頁面索引從零開始).

提取的文本被分配給page_text。您可以將其轉換為文本文件(txt 檔案)只需幾行程式碼即可完成。

實際操作中，如果您想查看從特定頁面提取的文字，您可以包含一個 print 語句，如下所示：

print(page_text)

print(page_text)

PYTHON

本教程為開發人員提供了一條清晰的途徑，無論您需要處理整個文檔或僅處理單個頁面，都可以使用 IronPDF 庫在 Python 中將 PDF 文件的內容轉換為文本。

完整的程式碼片段

以下是您可以在代碼中使用的完整代碼：

from ironpdf import *     
License.LicenseKey = "License-Code"
# Set a log path
Logger.EnableDebugging = True
Logger.LogFilePath = "Custom.log"
Logger.LoggingMode = Logger.LoggingModes.All
# Load existing PDF document
pdf = PdfDocument.FromFile("sample.pdf")
# Extract text from PDF document
all_text = pdf.ExtractAllText()
print(all_text)

from ironpdf import *     
License.LicenseKey = "License-Code"
# Set a log path
Logger.EnableDebugging = True
Logger.LogFilePath = "Custom.log"
Logger.LoggingMode = Logger.LoggingModes.All
# Load existing PDF document
pdf = PdfDocument.FromFile("sample.pdf")
# Extract text from PDF document
all_text = pdf.ExtractAllText()
print(all_text)

PYTHON