消息图标
跳至页脚内容
  1. IronPDF for Python
  2. IronPDF for Python 博客
  3. 使用 IronPDF for Python
  4. 从 PDF 中提取特定文本 Python
使用 IRONPDF FOR PYTHON

如何在 Python 中从 PDF 文件中提取特定文本

Curtis Chau
Curtis Chau
已更新:

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，使开发人员能够简单快捷地创建图形用户界面。 与其他语言相比，Python对程序员来说也更加动态。 因此，将IronPDF库添加到Python中是一个简单的过程。 可以使用包括PyQt、wxWidgets、Kivy在内的大量预安装工具，以及许多其他包和Python库，快速安全地构建一个完整的GUI。 IronPDF结合了Python，还允许集成来自其他框架的功能，如.NET Core。

IronPDF使Web开发变得更容易。 主要原因是Python Web开发范式如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的几个例子。

IronPDF。 Features

  • 通过IronPDF，可以从多种源创建PDF文件，包括HTML、HTML5、ASPX和Razor/MVC View。 It offers the ability to convert HTML pages and images into PDF files.
  • Creating interactive PDFs, completing and submitting interactive forms, splitting and combining PDF files, extracting text and images, searching text within PDF files, rasterizing PDFs to images, changing font sizes, natural language processing using ChatGPT, and converting PDF pages property are just a few of the activities that the IronPDF toolkit can help with.
  • IronPDF提供支持用户代理、代理、Cookie、HTTP标头和表单变量的HTML登录表单验证。
  • IronPDF使用用户名和密码为用户提供访问受保护文档的权限。
  • 只需几行代码，IronPDF即可从字符串、流或URL等各种来源打印PDF文件。

安装Python

环境配置

确保已在计算机上安装Python。 要下载并安装与操作系统兼容的Python最新版，请访问官方Python网站。 在安装Python后创建一个虚拟环境，以便将项目的需求隔离开来。 使用venv模块创建和管理虚拟环境，为您的转换项目提供一个整洁单独的工作区。

在PyCharm中展开新项目

对于本次演示，推荐使用PyCharm作为开发Python代码的IDE。

启动PyCharm IDE后，选择“New Project”。

如何从Python中的PDF中提取特定文本，图1：PyCharm PyCharm

在选择“New Project”时将打开一个新窗口，允许您设置项目的位置和环境。 您可以在下图中看到这一点。

如何从Python中的PDF中提取特定文本，图2：新项目 New Project

选择项目位置和环境路径后，点击Create按钮来开始一个新项目。 随后程序可以在一个新窗口中创建并打开。 对于本教程，将使用Python 3.9。

如何从Python中的PDF中提取特定文本，图3：创建Python项目 Create Python Project

IronPDF。 Library Requirement

Python库IronPDF主要使用.NET 6.0。因此，计算机上必须安装.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Microsoft的这个下载页面获取所需的运行时环境。

IronPDF。 Library Setup

要生成、修改和打开“.pdf”扩展的文件，必须安装“ironpdf”包。 打开一个终端窗口并输入以下命令在PyCharm中安装该包：

pip install ironpdf
pip install ironpdf
SHELL

下面的截图展示了ironpdf包的安装过程。

如何从Python中的PDF中提取特定文本，图4：安装IronPDF Install IronPDF

从PDF文件中提取特定数据

可以借助IronPDF库从PDF文件中提取文本。 IronPDF提供了多种文本提取方法。 第一种方法是将整个页面内容作为一个字符串进行检索。 第二种策略是在整个页面的内容第一页开始逐页获取。 可使用IronPDF库来探查现有的PDF文件。 以下代码片段展示了如何使用IronPDF来检查实时的PDF文件。

有两种从PDF中提取信息的选项：

  1. 按页从PDF中提取数据
  2. 将整个PDF转换为文本

在此文章中可以看到下面的示例PDF文件。

如何从Python中的PDF中提取特定文本，图5：输入PDF Input PDF

逐页从PDF中提取数据

供下方的示例代码展示了如何使用页面编号从PDF文件中获取数据。

from ironpdf import PdfDocument

# Load the PDF file
pdf = PdfDocument.FromFile('F:\\PDF\\Extract.pdf')
# Extract text from the first page of the PDF document
all_text = pdf.ExtractTextFromPage(0)
# Iterate over each line in the extracted text
for line in all_text.split('\n'):
    # Check if the line contains the keyword "Name"
    if 'Name' in line:
        # Print the line if it contains the keyword
        print(line)
from ironpdf import PdfDocument

# Load the PDF file
pdf = PdfDocument.FromFile('F:\\PDF\\Extract.pdf')
# Extract text from the first page of the PDF document
all_text = pdf.ExtractTextFromPage(0)
# Iterate over each line in the extracted text
for line in all_text.split('\n'):
    # Check if the line contains the keyword "Name"
    if 'Name' in line:
        # Print the line if it contains the keyword
        print(line)
PYTHON

该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中的文本和图像。 通过将页面编号作为参数传递给ExtractTextFromPage函数，可以从特定页面获取文本。 此方法将返回包含所选页面上所有单词的字符串。 然后，使用Python中的split函数从提取的文本中拆分所有新行。 随后，检查提取的文本中每一行是否包含所需的关键词。 如果关键词匹配，它将在命令提示符中显示特定行。 否则，它将忽略该行并继续下一行。文本提取输出将如下面所示。

将整个PDF转换为文本

以下代码示例展示了第一种方法以快速简便地获取所有PDF内容作为字符串。

from ironpdf import PdfDocument

# Load the PDF file
pdf = PdfDocument.FromFile('F:\\PDF\\Extract.pdf')
# Extract all text from the PDF document
all_text = pdf.ExtractAllText()
# Iterate over each line in the extracted text
for line in all_text.split('\n'):
    # Check if the line contains the keyword "Name"
    if 'Name' in line:
        # Print the line if it contains the keyword
        print(line)
from ironpdf import PdfDocument

# Load the PDF file
pdf = PdfDocument.FromFile('F:\\PDF\\Extract.pdf')
# Extract all text from the PDF document
all_text = pdf.ExtractAllText()
# Iterate over each line in the extracted text
for line in all_text.split('\n'):
    # Check if the line contains the keyword "Name"
    if 'Name' in line:
        # Print the line if it contains the keyword
        print(line)
PYTHON

上述代码示例展示了如何使用FromFile函数读取来自现有文件路径的PDF并将其转换为PDF文件对象。 因此，我们可以使用此PDF读取器对象查看PDF中的文本和图像。 该对象的ExtractAllText函数将用于将PDF中的数据提取到纯文本中，将其转换为字符串，并使用类似上面的方法逻辑来查找特定关键词以在终端显示结果。 结果显示如下。

如何从Python中的PDF中提取特定文本，图6：输出 输出

上述代码/输出显示给定的PDF文档包含名字和年龄，但结果仅显示PDF文档中的名字。

结论

IronPDF库提供了强大的安全机制，以减少威胁并确保数据安全。 它不会限制在任何一个浏览器中，并且与所有常用的浏览器兼容。 通过几行代码，程序员可以快速生成和阅读PDF文件。 IronPDF库提供了一系列许可选项，包括免费的开发者许可证以及附加的开发许可，可以购买以满足开发者的各种需求。

Lite套餐中包含永久许可证、30天退款保证、一年的软件维护和升级选项。 这些许可证可在所有环境中使用。 此外，IronPDF还提供了一些具有某些再分发限制的免费许可证。 试用许可证允许用户在没有水印的情况下评估产品。

请查看可用的IronPDF许可证以获取关于商业许可的更多信息。

常见问题解答

如何使用 Python 从 PDF 中提取特定文本？

您可以使用 IronPDF 的 Python 库从 PDF 中提取文本。它提供了逐页提取文本的功能，使用 ExtractTextFromPage 能够从整个文档中提取文本，使用 ExtractAllText。

在 Python 项目中设置 IronPDF 的步骤是什么？

首先，如果尚未安装，请安装 .NET 6.0 运行时。然后，在您的开发环境（如 PyCharm）中设置 Python。使用 pip install ironpdf 安装 IronPDF，开始将 PDF 功能集成到您的项目中。

IronPDF 是否与 Django 和 Flask 等框架兼容？

是的，IronPDF 很好地与 Django 和 Flask 等 Python Web 开发框架集成，提供了处理 Web 应用程序中 PDF 的各种选项。

使用 IronPDF 和 Python 有哪些许可选项可用？

IronPDF 提供了一系列许可选项，包括用于个人使用的免费开发者许可和提供额外功能与利益的各种商业许可。

我如何安装 IronPDF for Python？

通过在终端或命令提示符中运行命令 pip install ironpdf，使用 pip 包管理器安装 IronPDF。

推荐的开发环境用于使用 IronPDF 和 Python 是什么？

PyCharm 是一个推荐的集成开发环境（IDE），适合用 IronPDF 开发 Python 应用程序，因为它支持全面的功能集和 Python。

IronPDF for Python 的一些关键特性是什么？

IronPDF for Python 提供了一些特性，例如从 HTML 创建 PDF，将图像转换为 PDF，表单处理，文本和图像提取以及 PDF 合并。

对于处理 PDF 文件，IronPDF 的安全性如何？

IronPDF 设计有强大的安全功能，确保安全处理 PDF 文件。它支持加密和密码保护，以保护敏感信息。

Curtis Chau
Curtis Chau
  立即与工程团队聊天
技术作家

Curtis Chau 拥有卡尔顿大学的计算机科学学士学位，专注于前端开发，精通 Node.js、TypeScript、JavaScript 和 React。他热衷于打造直观且美观的用户界面，喜欢使用现代框架并创建结构良好、视觉吸引力强的手册。

除了开发之外，Curtis 对物联网 (IoT) 有浓厚的兴趣，探索将硬件和软件集成的新方法。在空闲时间，他喜欢玩游戏和构建 Discord 机器人，将他对技术的热爱与创造力相结合。

相关文章

30天试用 → 完整产品。无限制。无卡。 免费试用