如何在 Python 中从 PDF 提取文本

PDF (便携式文档格式)

PDF 是一种广泛使用的文件格式，用于在不同平台和设备上展示和交换文件。这些文件保留了文档的布局、格式、字体和图像，是共享文档的理想选择，同时还能确保文档的完整性和一致性。PDF 通常用于各种用途，包括商业报告、电子书、发票、法律文件、用户手册等。

然而，由于 PDF 格式的复杂性，以编程方式处理 PDF 文件的内容可能具有挑战性。目前有多种流行的 Python 库，IronPDF 就是其中之一，它是一个功能强大的 Python 库。

在本文中，我们将学习如何使用 Python 中的 IronPDF 从 PDF 文件中提取所有文本，并为您提供高效完成此任务的知识和 Python 代码片段。

IronPDF - Python 库

IronPDF for Python 是一个功能强大的 Python PDF 库，允许开发人员从 PDF 文档中提取文本。有了 IronPDF，您可以自动从 PDF 文件中提取文本内容的数据部分，从而更轻松地处理数据并分析 PDF 文档中包含的信息。

IronPDF 为 Python 程序员提供了使用 Python 操作 PDF 文件、从中提取数据以及与 PDF 文件交互的能力，从而使各种 PDF 相关任务的自动化变得更加容易。无论您是需要生成 PDF、修改现有 PDF、从内容提取图像中提取数据，还是执行其他 PDF 操作，IronPDF 都能利用其直观的 API 和强大的功能简化流程。

主要功能

IronPDF Python 库的部分功能包括

• 从零开始创建 PDF 文件
• 编辑现有 PDF 文件
• 从 PDF 文件中提取文本和图像

• 将 PDF 文件转换为其他格式

• 用密码和权限保护 PDF 文件

先决条件

在使用 IronPDF 进行文本提取之前，请确保具备以下先决条件：

1. Python安装：确保您的系统已安装 Python。IronPDF 兼容 Python 3.x 版本，因此请确保安装了兼容的 Python。

2. IronPDF 库：使用 Python 软件包管理器 pip 安装 IronPDF 库。打开命令行界面并执行以下命令：

    :ProductInstall

注意： Python 必须添加到 PATH 环境变量中，才能使用 pip 命令。

3. 集成开发环境 (IDE):虽然并非绝对必要，但使用集成开发环境可以大大提升开发体验。它能提供代码补全、调试和更简化的工作流程等功能。PyCharm 是一种流行的 Python 开发集成开发环境。您可以从 JetBrains 网站下载并安装 PyCharm。 https://www.jetbrains.com/pycharm/.

4. 文本编辑器：另外，如果您喜欢使用轻量级文本编辑器，也可以使用您选择的任何文本编辑器，如 Visual Studio Code、Sublime Text 或 Atom。这些编辑器为 Python 开发提供了语法高亮和其他有用的功能。您还可以使用 Python 自带的 IDLE 应用程序。

使用 PyCharm 创建 Python 项目

安装 PyCharm IDE 后，按照以下步骤创建 PyCharm python 项目：

1. 启动 PyCharm： 从系统的应用程序启动器或桌面快捷方式打开 PyCharm。

2. 创建新项目： 点击 "创建新项目 "或打开现有的 Python 项目。

   

3. 配置项目设置： 提供项目名称，并选择创建项目目录的位置。为项目选择 Python 解释器。然后点击 "创建"。

   

4. 创建源文件： PyCharm 将创建项目结构，包括一个主 Python 文件和一个存放附加源文件的目录。开始编写代码，然后点击运行按钮或按下 Shift+F10 来执行脚本。

使用 IronPDF 在 Python 中提取 PDF 中的文本

现在，让我们深入了解使用 Python 编程语言 IronPDF 从 PDF 文件中提取纯文本的步骤。

导入所需的库

首先，在 Python 脚本中导入必要的库。在本例中，我们需要导入 IronPDF 库，它提供了处理 PDF 文件的功能。

import ironpdf

import ironpdf

设置许可证密钥

要使用 IronPDF 从 PDF 文件中提取全文，我们需要获得 IronPDF 的许可证。使用以下命令申请许可证或试用密钥：

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

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

注意： 如果没有许可证密钥，IronPDF 从 PDF 扩展文件中提取的数据仅限于几个字符。通过以下方式获取许可证密钥 购买 IronPDF 或注册 免费试用.

加载 PDF 文档

接下来，使用 "PdfDocument.FromFile "加载 PDF 文件。()方法。将 PDF 文件的路径作为该方法的参数。这将把 PDF 文件加载到一个 PdfDocument 对象中。

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

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

输入文件

要从输入的 PDF 文件中提取文本并打印到屏幕上，需要使用以下文件：

从 PDF 文件中提取文本

加载 PDF 文档后，可以使用 ExtractText 方法提取文本内容。该方法以字符串形式返回提取的文本。

text = pdf.ExtractText()

text = pdf.ExtractText()

处理并利用提取的文本

现在，您已经从 PDF 中提取了文本，可以根据自己的要求对其进行处理和利用。您可以执行解析文本、分析文本、将文本存储到数据库或用于进一步数据处理等任务。

# 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

输出

从 PDF 文件的特定页面提取文本

IronPDF 还提供了一种方便的方法，可以从 PDF 文件的特定页面中提取文本。在本节中，我们将探讨如何使用 IronPDF 提供的 "ExtractTextFromPage "方法从特定页面中提取文本。

以下代码演示了如何从特定页面提取文本：

# 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)

在上述示例代码中，pdf 表示加载 PDF 文档后获得的 PdfDocument 对象。从页面提取文本()该方法用于在阅读 PDF 时从特定页面提取文本，该页面由作为参数传递的页面索引指示。在本例中，我们将从第二页或页码 2（对应于页面索引 1）提取文本。

结论

在本文中，我们探讨了如何使用 Python 中的 IronPDF 从 PDF 文件中提取文本。我们介绍了必要的步骤，包括导入所需的库、加载 PDF 文档、提取文本内容和处理提取的文本。

借助 IronPDF 强大的文本提取功能，您可以自动提取和进一步处理 PDF 中的文本，从而轻松处理和分析 PDF 文档中的文本信息。其直观的 API 和广泛的功能使其成为 Python 开发中各种 PDF 相关任务的理想选择。

IronPDF 用于开发目的是免费的，但用于商业用途则需要获得许可。要在生产模式下使用它进行测试，需要获得 免费试用.下载并安装最新版本的 IronPDF Python 并试一试。