如何逐行從 PDF 中提取文本

應用許可證密鑰

在繼續操作之前，請確保您已套用 IronPDF 許可證金鑰。

from ironpdf import PdfDocument

# Apply your license key to unlock library features
License.LicenseKey = "YOUR-LICENSE-KEY-HERE"

from ironpdf import PdfDocument

# Apply your license key to unlock library features
License.LicenseKey = "YOUR-LICENSE-KEY-HERE"

請將YOUR-LICENSE-KEY-HERE替換為您的 IronPDF 實際許可證密鑰。 此許可證可讓您解鎖項目所需的所有庫功能。

載入 PDF 文件格式

你需要將一個現有的 PDF 檔案載入到你的 Python 程式中。 您可以使用 IronPDF 中的PdfDocument.FromFile方法來實現此目的。

pdfFileObj = PdfDocument.FromFile("content.pdf")

pdfFileObj = PdfDocument.FromFile("content.pdf")

"content.pdf"指的是您想要閱讀的PDF檔案。 載入的 PDF 檔案儲存在pdfFileObj變數中，用作 PDF 閱讀器或 PDF 文件物件pdfFileObj 。

從整個 PDF 文件中提取文本

如果要一次提取 PDF 文件中的所有文字數據，可以使用ExtractAllText方法。

all_text = pdfFileObj.ExtractAllText()

all_text = pdfFileObj.ExtractAllText()

這裡使用ExtractAllText方法只是為了示範目的。 此方法從 PDF 檔案中提取所有文字並將其儲存在名為all_text變數中。

從特定 PDF 頁面中提取文本

IronPDF 可以使用ExtractTextFromPage方法從特定頁面擷取文字。 當您只需要某些頁面上的文字時，此方法非常有用。

page_2_text = pdfFileObj.ExtractTextFromPage(1)

page_2_text = pdfFileObj.ExtractTextFromPage(1)

在這裡，我們從第二頁提取文本，對應的索引為 1。

初始化文字檔案以寫入提取的文本

with open("extracted_text.txt", "w", encoding='utf-8') as text_file:

with open("extracted_text.txt", "w", encoding='utf-8') as text_file:

開啟名為"extracted_text.txt"的文件，儲存文字資料。 用於此目的的是 Python 內建的open函數，將檔案模式設為"寫入"（ "w" ）， encoding='utf-8'以處理 Unicode 字元。

遍歷每一頁，逐行擷取文字。

for i in range(0, pdfFileObj.get_Pages().Count):

for i in range(0, pdfFileObj.get_Pages().Count):

上面的程式碼循環遍歷 PDF 檔案中的每一頁，使用 IronPDF 的get_Pages().Count來取得總頁數。

提取文字並將其分割成行

page_text = pdf.ExtractTextFromPage(i)
lines = page_text.split('\n')

page_text = pdf.ExtractTextFromPage(i)
lines = page_text.split('\n')

對於每一頁，使用ExtractTextFromPage方法取得所有文本，然後使用 Python 的split方法將其分成行。 這樣就得到了一個可以循環遍歷的行列表。

將提取的行寫入文字文件

for eachline in lines:
    print(eachline)
    text_file.write(eachline + '\n')

for eachline in lines:
    print(eachline)
    text_file.write(eachline + '\n')

這裡，程式碼遍歷行列表中的每一行，將其列印到控制台，並透過在每一行後添加換行符（ \n ）將其寫入文件，以正確格式化此文字。

完整程式碼

以下是完整的實施方案：

from ironpdf import PdfDocument

# Apply your license key
License.LicenseKey = "Your-License-Key-Here"

# Load an existing PDF file
pdfFileObj = PdfDocument.FromFile("content.pdf")

# Extract text from the entire PDF file
all_text = pdfFileObj.ExtractAllText()

# Extract text from a specific page in the file (Page 2)
page_2_text = pdfFileObj.ExtractTextFromPage(1)

# Initialize a file object for writing the extracted text
with open("extracted_text.txt", "w", encoding='utf-8') as text_file:
    # Get the number of pages in the PDF document
    num_of_pages = pdfFileObj.get_Pages().Count
    print("Number of pages in given document are ", num_of_pages)

    # Loop through each page using the Count property
    for i in range(0, num_of_pages):
        # Extract text from the current page
        page_text = pdfFileObj.ExtractTextFromPage(i)

        # Split the text by lines from this page object
        lines = page_text.split('\n')

        # Loop through the lines and print/write them
        for eachline in lines:
            print(eachline)  # Print each line to the console
            # Write each line to the text document
            text_file.write(eachline + '\n')

from ironpdf import PdfDocument

# Apply your license key
License.LicenseKey = "Your-License-Key-Here"

# Load an existing PDF file
pdfFileObj = PdfDocument.FromFile("content.pdf")

# Extract text from the entire PDF file
all_text = pdfFileObj.ExtractAllText()

# Extract text from a specific page in the file (Page 2)
page_2_text = pdfFileObj.ExtractTextFromPage(1)

# Initialize a file object for writing the extracted text
with open("extracted_text.txt", "w", encoding='utf-8') as text_file:
    # Get the number of pages in the PDF document
    num_of_pages = pdfFileObj.get_Pages().Count
    print("Number of pages in given document are ", num_of_pages)

    # Loop through each page using the Count property
    for i in range(0, num_of_pages):
        # Extract text from the current page
        page_text = pdfFileObj.ExtractTextFromPage(i)

        # Split the text by lines from this page object
        lines = page_text.split('\n')

        # Loop through the lines and print/write them
        for eachline in lines:
            print(eachline)  # Print each line to the console
            # Write each line to the text document
            text_file.write(eachline + '\n')

輸出

在 Visual Studio Code 終端機中輸入以下命令來執行 Python 檔案：

python main.py

python main.py

結果將顯示在終端上：

如何逐行從 PDF 中提取文本，圖 3：提取的文本 提取的文本

這是從 PDF 文件中提取的文本。您還會注意到目錄中建立了一個文字檔案。

如何逐行從 PDF 中提取文本，圖 4：提取的文本儲存在 TXT 檔案中 提取的文字儲存在TXT檔案中

在這個文字檔案中，您將找到已擷取的文字格式，並按順序呈現。

如何逐行從 PDF 中提取文本，圖 5：提取的文本文件內容 提取的文本文件內容