如何在 Python 中從 PDF 提取文本

PDF (可攜式文件格式)

PDF 是一種廣泛使用的文件格式，用於在不同平臺和設備之間展示和交換文件。這些文件保留了文件的佈局、格式、字體和圖像，使其在共享文件時能夠確保其完整性和一致性。PDF 通常用於各種用途，包括商業報告、電子書、發票、法律文件、使用手冊等等。

然而，由於格式的複雜性，以程式方式處理 PDF 文件的內容可能具有挑戰性。目前有各種受歡迎的 python 庫可供使用，其中之一是功能強大的 Python 庫 IronPDF。

在本文中，我們將學習如何使用 IronPDF 在 Python 中提取 PDF 文件中的所有文本，並為你提供完成此任務所需的知識和 python 代碼片段。

IronPDF - Python Library

IronPDF for Python IronPDF是一個功能強大的Python PDF庫，允許開發人員從PDF文件中提取文本。使用IronPDF，您可以自動化PDF文件中文字內容的數據提取部分，使得處理數據和分析PDF文件中的信息變得更加容易。

IronPDF為Python程式設計師提供了操作、從PDF文件中提取數據和與PDF文件交互的能力，從而使各種PDF相關的任務更易於自動化。無論您需要生成PDF、修改現有PDF、從內容中提取數據以及圖像，還是執行其他PDF操作，IronPDF都能通過其直觀的API和強大的功能簡化這一過程。

主要特點

IronPDF Python 庫的一些特點包括：

• 從零開始創建 PDF 文件
• 編輯現有的 PDF 文件
• 從 PDF 文件中提取文本和圖像
• 將 PDF 文件轉換成其他格式
• 使用密碼和權限保護 PDF 文件

先決條件

在使用 IronPDF 進行文字抽取之前，請確保您已具備以下先決條件：

1. Python 安裝：確保您的系統已安裝 Python。IronPDF 與 Python 3.x 版本相容，因此請確保您已安裝相容的 Python 版本。

2. IronPDF 庫：使用 Python 的套件管理工具 pip 安裝 IronPDF 庫。打開命令行界面並執行以下命令：

    :ProductInstall

注意： 必須將 Python 添加到 PATH 環境變數中，才能使用 pip 命令。

3. 集成開發環境 (集成開發環境)雖然不是絕對必要，但使用 IDE 可以極大地提升你的開發體驗。它提供了如代碼完成、調試和更精簡的工作流程等功能。一個受歡迎的 Python 開發 IDE 是 PyCharm。你可以從 JetBrains 網站下載並安裝 PyCharm。 https://www.jetbrains.com/pycharm/4. 文字編輯器：或者，如果您喜歡使用輕量級的文字編輯器，您可以選擇任何您喜歡的文字編輯器，例如 Visual Studio Code、Sublime Text 或 Atom 這些編輯器提供語法突顯和其他對 Python 開發有用的功能。您也可以使用 python 自帶的 IDLE 應用程式。

使用 PyCharm 創建 Python 專案

安裝 PyCharm IDE 後，按照以下步驟創建一個 PyCharm Python 專案：

1. 啟動 PyCharm：從系統的應用程式啟動器或桌面快捷方式開啟 PyCharm。

2. 創建新專案：點擊「Create New Project」或打開現有的 Python 專案。

   

3. 配置專案設定： 為您的專案提供一個名稱並選擇建立專案目錄的位置。選擇您的專案使用的Python解釋器。然後點擊「Create」。

   

4. 創建源文件： PyCharm 將創建項目結構，包括一個主 Python 文件和一個附加源文件的目錄。開始編寫代碼，然後點擊運行按鈕或按 Shift+F10 執行腳本。

使用 IronPDF 在 Python 中從 PDF 擷取文字

現在讓我們深入了解使用 IronPDF 在 Python 程式語言中從 PDF 文件中擷取純文字的步驟。

匯入所需的函式庫

首先，在您的 Python 腳本中匯入必要的函式庫。在這種情況下，我們需要匯入 IronPDF 函式庫，它提供了處理 PDF 檔案的功能。

import ironpdf

import ironpdf

設定許可金鑰

為了使用 IronPDF 從 PDF 文件中提取完整文本，我們需要有 IronPDF 的許可證。使用以下命令應用許可金鑰或試用金鑰：

# Apply your license key
License.LicenseKey = "YOUR-LICENSE-KEY-HERE"

# Apply your license key
License.LicenseKey = "YOUR-LICENSE-KEY-HERE"

注意：沒有授權密鑰的情況下，IronPDF 從 PDF 擴展檔案中提取數據僅限於少數字符。取得授權密鑰，請 購買 IronPDF 或註冊一個 免費試用.

加載 PDF 文件

接下來，使用 PdfDocument.FromFile 加載 PDF 文件()將 PDF 檔案的路徑作為參數提供給來自 IronPDF 的方法。這將把 PDF 檔案載入到 PdfDocument 對象中。

pdf = ironpdf.PdfDocument.FromFile("path/to/your/pdf_file.pdf")

pdf = ironpdf.PdfDocument.FromFile("path/to/your/pdf_file.pdf")

進入檔案

要從輸入的 PDF 檔案中提取文字並將其顯示在螢幕上，可以使用以下文件：

從 PDF 文件中提取文本

一旦 PDF 文件加載完成，您可以使用 ExtractText 方法提取文本內容。此方法將提取的文本作為字符串返回。

text = pdf.ExtractText()

text = pdf.ExtractText()

處理和利用提取的文字

現在您已經從 PDF 中提取了文字，您可以根據需求來處理和利用這些文字。您可以執行一些任務，例如解析文字、分析文字、將其存儲在資料庫中，或用於進一步的資料處理。

# Process and utilize the extracted text
print(text)
# Perform other operations with the extracted text

# Process and utilize the extracted text
print(text)
# Perform other operations with the extracted text

輸出

從 PDF 文件中的特定頁面提取文本

IronPDF 也提供了一種方便的方法來從 PDF 文件中的特定頁面提取文本。在本節中，我們將探討如何使用 IronPDF 提供的 ExtractTextFromPage 方法從特定頁面提取文本。

以下代碼演示如何從特定頁面提取文本：

# Extract text from specific page in the document
page_2_text = pdf.ExtractTextFromPage(1)

# Extract text from specific page in the document
page_2_text = pdf.ExtractTextFromPage(1)

在上述範例代碼中，pdf 代表載入 PDF 文件後獲得的 PdfDocument 對象。`ExtractTextFromPage()該方法用於從PDF的特定頁面提取文本，通過作為參數傳遞的頁面索引來指示。在這種情況下，我們從第二頁（或頁碼2）提取文本，這對應於頁面索引1。

結論

在本文中，我們探討了如何使用 IronPDF 在 Python 中從 PDF 文件中提取文本。我們介紹了必要的步驟，包括導入所需的庫或多個庫、加載 PDF 文件、提取文本內容以及處理提取的文本。

憑藉 IronPDF 強大的文本提取功能，您可以自動化從 PDF 中提取文本並進一步處理，使您能夠輕鬆地處理和分析 PDF 文件中的文本信息。其直觀的 API 和廣泛的功能使其成為 Python 開發中處理 PDF 相關任務的理想選擇。

IronPDF 可免費用於開發目的，但用於商業用途需要授權。要在生產模式中進行測試，請獲取一個 免費試用. 下載並安裝最新版本的 IronPDF for Python 試試看。