如何在 Python 中从 PDF 提取数据

2.1 IronPDF 功能

HTML、HTML5、ASPX 和 Razor/MVC View 是一些可以使用 IronPDF 转换为 PDF 格式的格式。 此外，IronPDF 还提供了从图像和 HTML 页面生成 PDF 文件的便捷功能。

The IronPDF toolkit can assist with various tasks, including the creation of interactive PDFs, the facilitation of interactive form completion and submission, the efficient merging and dividing of PDF files, accurate text and image extraction, comprehensive text searching within PDF files, the transformation of PDFs into images, and the flexibility to customize font sizes, borders, and background colors. IronPDF 还可以轻松实现 PDF 文件转换。

IronPDF 更进一步，通过扩展对用户代理、代理、Cookie、HTTP 头和表单变量的支持，从而增强HTML 登录表单验证。 它使用用户名和密码来保护用户访问 PDF 中包含的安全文本。

可以从许多来源（例如字符串、流或 URL）生成PDF 文件打印，只需几行代码即可实现。

IronPDF 可以通过转换交互式元素，确保文档内容保持不可更改和可查看但不可编辑的状态，从而生成扁平化的 PDF 文档。

3.1 安装 Python 并创建虚拟环境

确保您在个人计算机上安装了 Python 编程语言。 这很重要，因为 Python 库在各种任务中经常需要。 为此，请访问Python 官方网站并下载与您的操作系统兼容的最新版本。 这可确保您拥有与 Python 库有效协作的正确工具。

安装 Python 后，建立一个虚拟环境，以隔离项目所需的库，因为某些项目可能需要 Python 中的一些必要库。 venv 模块可让您构建和维护虚拟环境，可能有助于您的转换项目拥有一个整洁、自主的工作环境，特别是在处理多个 Python 库时。

3.2 在 PyCharm 中设置新项目

You have the flexibility to write Python code using any text editor or coding environment, such as Visual Studio Code, PyCharm, or Sublime Text. 然而，本文使用 PyCharm，这是一种用于编写 Python 代码的 IDE 来创建 Python 项目。

启动 PyCharm IDE 后，选择新项目。

PyCharm IDE 创建新 Python 项目

选择新项目后，您将看到允许您指定项目的环境和位置的新窗口。 下面的图片可能会提供更多清晰度。

设置项目位置和环境详细信息后，点击创建，您将进入 PyCharm 的界面。 在这里，您可以找到项目的结构和代码文件。 这是您管理和开发项目的工作空间。 本指南中使用的是 Python 3.9。

主 Python 文件

3.3 IronPDF 的库要求

Python 库 IronPDF 通常与 .NET 6.0 配合使用。因此，为有效使用 IronPDF for Python，您的计算机必须安装 .NET 6.0 运行时。

对于 Linux 和 Mac 用户，可能需要在使用此 Python 模块之前安装 .NET。 有关获取所需运行时环境的指导，请访问此微软下载页面。

3.4 安装 IronPDF 库

您必须安装“ironpdf”包以处理 PDF 文件，包括创建、编辑和打开它们。 要在 PyCharm 中这样做，请打开终端窗口并输入此命令：

 pip install ironpdf

请参阅下图以了解ironpdf包的安装。

IronPDF 安装

4.1 从 PDF 文件中提取所有文本数据

在此示例中，将演示使用 IronPDF 从现有 PDF 中提取文本的过程。 在这种情况下，下面的 PDF 文档用于此演示。

第一种方法是从 PDF 文件中提取所有文本。编写以下代码以方便对输入 PDF 执行完整的数据提取：

from ironpdf import *

# Load a PDF document from a file
pdf = PdfDocument.FromFile("sampleData.pdf")

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

from ironpdf import *

# Load a PDF document from a file
pdf = PdfDocument.FromFile("sampleData.pdf")

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

如上面代码所示，FromFile 方法起着关键作用。 它从现有位置加载 PDF 文件，以将其转换为PdfDocument对象。 通过此对象，可以访问 PDF 页面内的文本内容和图像。 要从给定的 PDF 文件中提取所有文本，使用称为ExtractAllText的方法。 提取的文本然后存储在字符串中，准备进一步处理。

4.2 按页面提取文本

下面是第二种方法的代码，它显式从 PDF 文件的每一页提取文本。

from ironpdf import *

# Load a PDF document from a file
pdf = PdfDocument.FromFile("sampleData.pdf")

# Iterate over each page and extract text
for xpage in range(pdf.PageCount):
    # Extract text from the current page
    print(pdf.ExtractTextFromPage(xpage))

from ironpdf import *

# Load a PDF document from a file
pdf = PdfDocument.FromFile("sampleData.pdf")

# Iterate over each page and extract text
for xpage in range(pdf.PageCount):
    # Extract text from the current page
    print(pdf.ExtractTextFromPage(xpage))

该示例代码最初加载整个 PDF 文件，并将其转换为名为pdf的PdfDocument对象。 为了确保 PDF 文件中的每个特定页面都按顺序处理，每个页面使用其页面编号或页面索引在pdf对象中访问。 为此，首先确定输入 PDF 中存在的总页数，使用其pdf对象的PageCount方法。

使用此页数，执行for循环遍历每一页，调用ExtractTextFromPage函数以从 PDF 文档的每一页提取文本。 提取的文本可以存储在字符串变量中或显示在用户屏幕上。 因此，此方法能够有序地从每个单独的 PDF 页面中提取文本。 这些方法，来自专为 PDF 任务设计的 Python 库 IronPDF，突显其能够轻松而全面地从 PDF 文件中提取文本的能力。 这种可访问性在许多实际应用中具有很多实用意义，增强了 PDF 在各个领域的用途。