如何在Python中从PDF提取特定文本

本文将演示如何借助 IronPDF for Python 库从 PDF 文档中提取文本元素。

IronPDF

Python 是一种编程语言，可以让开发人员简单快捷地创建图形用户界面。 与其他语言相比，Python 对程序员来说也更具活力。 因此，将IronPDF库添加到Python是一个简单的过程。 通过使用包括 PyQt、wxWidgets、Kivy 以及许多其他软件包和 Python 库在内的大量预装工具，可以快速、安全地构建一个完整的图形用户界面。 IronPDF for Python 融入了 Python，还允许集成其他框架（如 .NET Core）的功能。

IronPDF 让网络开发更轻松。 主要原因是 Python 网络开发范例（如 Django、Flask 和 Pyramid）的广泛采用。 Reddit、Mozilla 和 Spotify 只是使用这些框架的网站和在线服务中的一小部分。

IronPDF 功能

• 使用 IronPDF，PDF 文件可以从各种来源创建翻译的内容包括：.NET、Java、Python 或 Node.js 等开发工具，包括 HTML、HTML5、ASPX 和 Razor/MVC View。 它能够转换 HTML 页面和将图像转化为 PDF 文件.
• 创建交互式PDF、填写和提交交互式表单, 分拆和CombinePDF文件，提取文本和图像在 PDF 文件中搜索文本Rasterize PDF to Image此外，IronPDF 工具包还可以帮助用户改变字体大小、使用 ChatGPT 进行自然语言处理以及转换 PDF 页面属性等。
• IronPDF提供HTML登录表单验证，支持用户代理、代理服务器、Cookie、HTTP头和表单变量。
• IronPDF 使用用户名和密码为用户提供以下访问权限受保护文件.
• 只需几行代码，IronPDF 就能从字符串、流或 URL 等各种来源打印 PDF 文件。

设置 Python

环境配置

确保在您的计算机上设置了 Python。 要下载并安装与您的操作系统兼容的最新 Python 版本，请访问Python 官方网站. 安装 Python 后，创建一个虚拟环境，以满足项目的不同需求。 使用 venv 模块创建和管理虚拟环境，为您的转换项目提供整洁、独立的工作场所。

PyCharm 的新举措

在本演示中，推荐使用 PyCharm 作为开发 Python 代码的集成开发环境。

启动 PyCharm IDE 后，选择 "新建项目"。

Py魅力

选择 "新建项目 "时会打开一个新窗口，允许您设置项目的位置和环境。 这可以从下图中看出。

新项目

选择项目位置和环境路径后，单击创建按钮开始新项目。 然后，程序可以在新窗口中创建，并随之打开。 本课使用 Python 3.9。

创建 Python 项目

IronPDF库要求

IronPDF for Python 库在很大程度上使用了 .NET 6.0。因此，必须在计算机上安装 .NET 6.0 运行时，才能使用 IronPDF for Python。 Linux 和 Mac 用户可能需要先安装 .NET 才能使用此 Python 模块。 访问此处从 Microsoft 下载页面来获取所需的运行环境。

IronPDF 库设置

要生成、修改和打开“.pdf”扩展名的文件，必须安装“ironpdf”包。 打开终端窗口并输入以下命令在 PyCharm 中安装该包：

:PackageInstall

IronPdf` 软件包的安装如下截图所示。

安装 IronPDF

从 PDF 文件中提取特定数据

在 IronPDF 库的帮助下，可以从 PDF 文件中提取文本。 IronPDF 提供多种文本提取方法。 第一种方法需要以单个字符串的形式检索整个页面的内容。 第二种策略是从第一页开始，逐页翻译内容。 可以使用 IronPDF 库调查现有的 PDF 文件。 下面的代码片段展示了如何使用 IronPDF 检测实时 PDF 文件。

从 PDF 中提取信息有两种选择：

1. 从 PDF 逐页提取

2. 将整个 PDF 转换为文本

   下面是这篇文章的 PDF 样本文件。

   

   输入 PDF

从 PDF 逐页提取

下面提供的示例代码显示了如何使用页码从 PDF 文件中获取数据。

from ironpdf import *

# PDF object
pdf = PdfDocument.FromFile('F:\\PDF\\Extract.pdf')
# Extract text from PDF document
all_text = pdf.ExtractTextFromPage(0)
for _data in all_text.split('\n'):
    if('Name' in _data):
        print(_data)

from ironpdf import *

# PDF object
pdf = PdfDocument.FromFile('F:\\PDF\\Extract.pdf')
# Extract text from PDF document
all_text = pdf.ExtractTextFromPage(0)
for _data in all_text.split('\n'):
    if('Name' in _data):
        print(_data)

代码片段展示了如何使用 FromFile 函数读取 PDF 文件并构建 PDF 对象。 该对象可用于访问 PDF 的文本和图像。 通过将页码作为参数传递给 "ExtractTextFromPage "函数，可以从特定页面获取文本。 此方法将返回一个字符串，其中包含所选页面上的所有单词。 然后，使用 Python 中的 split 函数从提取的文本中分割出所有新行。 然后，检查提取文本中的每一行是否包含所需的关键词。 如果关键字匹配，则会在命令提示符中显示特定行。 否则，它将忽略该行并转到下一行。文本提取的输出将如下所示。

将整个 PDF 转换为文本

下面的代码示例演示了以字符串形式快速、简单地获取所有 PDF 内容的第一种方法。

pdf = PdfDocument.FromFile('F:\\PDF\\Extract.pdf')
# Extracting texts from PDF document
all_text = pdf.ExtractAllText()
for _data in all_text.split('\n'):
    if('Name' in _data):
        print(_data)

pdf = PdfDocument.FromFile('F:\\PDF\\Extract.pdf')
# Extracting texts from PDF document
all_text = pdf.ExtractAllText()
for _data in all_text.split('\n'):
    if('Name' in _data):
        print(_data)

上面的示例代码演示了如何使用 FromFile 函数从现有文件路径读取 PDF 并将其转换为 PDF 文件对象。 因此，我们可以使用这个 PDF 阅读器对象来查看 PDF 中的文本和图像。 该对象的 ExtractAllText 函数将用于将 PDF 中的数据提取为纯文本，将其转换为字符串，并使用与上述类似的逻辑查找特定的关键字，将结果显示在终端中。 结果显示如下。

输出

上述代码/输出显示，给定的 PDF 文档包含名称和年龄，但结果只显示了 PDF 文档中可用的名称。

结论

IronPDF 库提供了强大的安全机制，以减少威胁并保证数据的安全。 它不局限于任何一种浏览器，并与所有广泛使用的浏览器兼容。 只需几行代码，程序员就能使用 IronPDF 快速生成和读取 PDF 文件。 IronPDF 库提供一系列许可选项，包括免费的开发人员许可和可购买的额外开发许可，以满足开发人员的不同需求。

永久许可证、30 天退款保证、一年的软件维护和升级选项均包含在该项目中。简易套餐. 这些许可证可用于所有环境。 此外，IronPdf 提供免费许可证，但有一些再分发限制。 A试用许可允许用户在没有水印的情况下对产品进行评估。

请查看可用的 IronPDF 许可证了解有关商业许可的更多信息。