使用IRONPDF FOR PYTHON

Python 中的 PDFtoText：逐步教程

查克尼思·賓

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 Python 開發人員專用的 PDF 渲染庫，用於促進與 PDF 文件的互動。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。
可使用 pip（Python 套件管理工具）輕鬆安裝。
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 *

py

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

py

PYTHON

Logger.EnableDebugging = True：此行在 IronPDF 庫中啟用除錯功能。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，您指定日誌檔案的路徑和名稱。該庫將所有調試信息寫入“Custom.log”。請確保您要寫入的目錄存在且可寫。

Logger.LoggingMode = Logger.LoggingModes.All：通過將記錄模式設置為All，您是在指示記錄器記錄所有事件，包括信息級別日誌、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")

py

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 變數現在保存著您的 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)

py

PYTHON

pdf.ExtractAllText()：這個方法是對持有加載的 PDF 文件的 pdf 對象調用的。它從文件中提取所有文字內容。文本隨後被存儲在變量all_text中。

print(all_text)：此行將提取的文本列印到控制台。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)

py

PYTHON

PdfDocument.FromFile("content.pdf")：即使之前已經載入過文件，這行仍然重複以示範您需要一個 PDF 文件物件（PdfDocument 物件）從中擷取文本。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表示文本應從第二頁移除（因頁碼索引從零開始）。

提取的文本被分配給page_text。您可以僅使用幾行代碼將其轉換為文字檔案（txt檔案）。

實際上，如果您想查看特定頁面的提取文本，您可以包含一個print語句，如下所示：

print(page_text)

py

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)