如何逐行提取PDF文本

从 PDF 文档中提取文本是开发人员经常遇到的一项任务。PDF 文件具有平台独立性和固定的布局格式，因此在共享文档方面很受欢迎。然而，以编程方式从这些 PDF 文件中读取文本可能很棘手。多亏了 Python，许多库都能让这项任务变得轻而易举。IronPDF 就是这些流行的 Python 库中的一个，专为 PDF 操作而设计。

本指南将介绍使用 IronPDF 从 Python PDF 文档中按顺序提取文本的细微差别。我们将介绍从设置 Python 环境到执行第一个用于 PDF 文本提取的 Python 程序的所有内容。

如何从 PDF 逐行提取文本

1.下载并安装 PDF 库，使用 Python 从 PDF 文件行中提取文本。

2.在您喜欢的集成开发环境中创建一个 Python 项目。

3.加载所需的 PDF 文件以检索文本内容。

4.循环浏览 PDF 文件，并使用内置库的功能按顺序提取文本。

5.将提取的文本保存到文件中。

IronPDF PDF Python 库

IronPDF 是一个方便的工具，能让你在 Python 中处理 PDF 文件。您可以将其视为一个得力助手，帮助您阅读、创建和编辑 PDF 文件。无论您是要从 PDF 文档中提取内容、添加新信息，还是将网页转换为 PDF 格式，IronPDF 都能为您提供全面的解决方案。这是一款付费软件包，但他们提供试用版，供您在购买前试用。

在深入学习脚本之前，设置 Python 环境至关重要。本分步指南将帮助您配置环境，在 Visual Studio Code 中创建一个新的 Python 项目，并设置 IronPDF 库环境配置。

下载并安装 Python：如果您尚未安装 Python，请从 Python 官方网站.请遵循特定操作系统的安装说明。

检查 Python 安装：打开终端或命令提示符，键入 python --版本。该命令将打印已安装的 Python 版本，确认安装成功。

更新 pip： pip 是 Python 软件包安装程序。运行 pip install --upgrade pip 确保它是最新的。

在 Visual Studio 中创建新 Python 项目

下载 Visual Studio 代码：如果没有，请从 官方网站.

安装 Python 扩展：打开 Visual Studio Code 并前往扩展市场。搜索 Microsoft 的 Python 扩展并安装。

创建新文件夹：创建一个新文件夹来存放你的 Python 项目。给它起个相关的名字，比如 PDF/_Text/_Extractor。

在 VS 代码中打开文件夹：将文件夹拖入 Visual Studio 代码，或使用 文件 > 打开文件夹 菜单选项打开文件夹。

创建 Python 文件：在 VS 代码资源管理器面板上单击右键，选择 新建文件。将文件命名为 main.py 或类似名称。该文件将保存您的 Python 程序。

IronPDF 库要求和设置

IronPDF 对于从 PDF 中检索文本内容至关重要。下面介绍如何安装：

在 VS 代码中打开终端：通过终端>新建终端，可以在 VS 代码中打开终端。

安装 IronPDF：在终端执行以下命令安装最新版本的 IronPDF：

 pip install ironpdf

此过程将检索和安装 IronPDF 库以及任何所需的模块。

就是这样! 现在您已经成功设置了 Python 环境，在 Visual Studio Code 中创建了一个新项目，并安装了 IronPDF 库。

从 PDF 逐行提取文本

申请许可证密钥

在继续之前，请确保您已申请 IronPDF 许可证密钥。

from ironpdf import PdfDocument
License.LicenseKey = "YOUR-LICENSE-KEY-HERE"

from ironpdf import PdfDocument
License.LicenseKey = "YOUR-LICENSE-KEY-HERE"

请将此处的 "YOUR-LICENSE-KEY-HERE "替换为实际的 IronPDF 许可证密钥。该许可证允许您为您的项目解锁所有库功能。

加载 PDF 文件格式

您需要将现有的 PDF 文件加载到您的 Python 程序中。您可以使用 IronPDF 中的 PdfDocument.FromFile 方法来实现这一目的。

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

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

"content.pdf "指的是您要阅读的 PDF 文件。加载的 PDF 文件存储在 pdfFileObj 变量中，用作 PDF 阅读器或 PDF 文件对象 pdfFileObj。

从整个 PDF 文档中提取文本

如果想一次性提取 PDF 文件中的所有文本数据，可以使用 ExtractAllText 方法。

all_text = pdfFileObj.ExtractAllText()

all_text = pdfFileObj.ExtractAllText()

这里使用 ExtractAllText 方法进行演示。该方法可提取 PDF 文件中的所有文本，并将其存储在名为 all_text 的变量中。

从特定 PDF 页面提取文本

IronPDF 可以使用 "ExtractTextFromPage "方法从特定页面提取文本。当你只需要从某些页面提取文本时，这种方法非常有用。

page_2_text = pdfFileObj.ExtractTextFromPage(1)

page_2_text = pdfFileObj.ExtractTextFromPage(1)

这里，我们提取的是第二页的文本，对应的索引为 1。

初始化用于写入提取文本的文本文件

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

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

我们打开一个名为 "extracted_text.txt "的文件，将文本数据保存在其中。为此，我们使用 Python 内置的 open 函数，将文件模式设置为 "写" ("w ").只需在 open 函数中添加 encoding='utf-8' 作为参数即可。这个函数应该可以让文本文档处理 Unicode 字符，比如你遇到的字符。

循环浏览每一页，逐行提取文本

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

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

我们使用 IronPDF 的 "get_Pages "来循环浏览 PDF 文件中的每一页。().Count`来获取总页数。

提取文本并分割成行

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

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

对于每一页，我们使用 ExtractTextFromPage 获取所有文本，然后使用 Python 的 split 方法将其分成几行。这样就得到了一个行列表，我们可以循环查看。

将提取的行写入文本文件

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

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

在这里，我们遍历行列表中的每一行，将其打印到 doc 控制台，并写入文件。我们添加一个换行符 (\n) 以正确格式化这些文本。

完整代码

下面是全面的实施过程：

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") as text_file:
    # Print number of pages in pdf file print count of pages present in pdf file
    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 eachline to the console
            text_file.write(eachline + '\n')  # Write each line to the text documents

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") as text_file:
    # Print number of pages in pdf file print count of pages present in pdf file
    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 eachline to the console
            text_file.write(eachline + '\n')  # Write each line to the text documents

输出

在 Visual Studio Code 终端编写以下命令，运行 Python 文件：

python main.py

结果将显示在终端上：

这是从 PDF 文件中提取的文本。你还会发现在你的目录中创建了一个文本文档。

在该文本文件中，您将看到已检索到的文本格式，并按顺序排列。

结论

总之，使用 IronPDF 和 Python 从 PDF 文件中提取文本是一种强大而直接的方法，无论是从整个文档、特定页面还是逐行提取文本都是如此。将提取的文本保存到文本文件中的额外好处是，您可以有效地管理和利用这些数据，以便将来进行处理。事实证明，IronPDF 是处理 PDF 的重要工具，它不仅提供文本提取功能，还提供一系列其他功能。您还可以 用 Python 将 PDF 转换为文本 使用 IronPDF。

IronPDF 并非开源 Python 库。如果您正在考虑在您的项目中使用 IronPDF，该软件包的许可证起价为 $749。不过，如果您需要澄清投资问题，IronPDF 提供了一个 免费试用 以深入了解其功能。