如何在 Python 中从 PDF 提取文本

本文将演示如何使用 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所需的知识和 Python 代码片段。

IronPDF - Python 库

IronPDF for Python 是一个强大的Python PDF库，让开发者可以从PDF文档中提取文本。 使用 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 PDF 文档中的数据并分析其中包含的信息。

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 都能凭借其直观的 API 和强大的功能简化流程。

主要功能

IronPDF for Python 库的部分功能包括

• 从头开始创建新的PDF文件
• 编辑现有的PDF文件
• 提取文本、元数据和图像从PDF文件中
• 将 PDF 文件转换为其他格式
• 使用密码和限制保护PDF文件
• 拆分和合并PDFs

先决条件

在使用 IronPdf 进行文本提取之前，请确保具备以下前提条件：

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

2. IronPDF 库：使用 Python 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：必须将Python添加到PATH环境变量中，以便使用pip命令。

3. 集成开发环境 (IDE)：虽然不完全必要，但是使用 IDE 可以极大地提升您的开发体验。 它提供了代码补全、调试和更简化的工作流程等功能。 一个受欢迎的Python开发IDE是PyCharm。 您可以从 JetBrains 网站https://www.jetbrains.com/pycharm/下载并安装 PyCharm。

4. 文本编辑器：或者，如果您更喜欢使用轻量级文本编辑器，可以选择使用任何您喜欢的文本编辑器，例如 Visual Studio Code、Sublime Text 或 Atom。 这些编辑器为 Python 开发提供语法高亮和其他有用的功能。 您也可以使用 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中打开 PyCharm。

2. 创建新项目：点击“创建新项目”或打开现有的Python项目。

   

   PyCharm IDE

3. 配置项目设置：为您的项目提供一个名称，并选择创建项目目录的位置。 为您的项目选择 Python 解释器。 然后点击 "创建"。

   

   在 Pycharm 中创建一个新的 Python 项目

4. 创建源文件：PyCharm 将创建项目结构，包括一个主 Python 文件和一个用于其他源文件的目录。 开始编写代码，然后单击运行按钮或按 Shift+F10 执行脚本。

使用 IronPDF for Python 在 Python 中提取 PDF 中的文本

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

导入所需库函数

首先，在 Python 脚本中导入必要的库。 在这种情况下，代码示例需要导入IronPDF库，它提供处理PDF文件的功能。

import ironpdf

import ironpdf

设置许可证密钥

为了使用 IronPDF 从 PDF 文件中提取全文，我们需要获得 IronPDF 的授权。 使用以下命令应用许可证或试用密钥：

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

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

注意：在没有许可证密钥的情况下，IronPDF 提取的数据仅限于从 PDF 扩展文件中提取少量字符。通过购买 IronPDF或注册免费试用来获取许可证密钥。

加载 PDF 文档

接下来，使用 IronPDF 的 PdfDocument.FromFile() 方法加载 PDF 文件。 提供 PDF 文件的路径作为该方法的参数。 这将把PDF文件加载到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，需要使用以下文档：

输入文件

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()

处理和利用提取的文本

现在您已经从 PDF 中提取了文本，您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

从控制台提取的文本

从 PDF 文件中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 文件中的特定页面提取文本。本节将探讨如何使用 IronPDF 提供的 ExtractTextFromPage 方法从特定页面提取文本。

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)

在上面的示例代码中，pdf 代表加载 PDF 文档后获得的 PdfDocument 对象。 ExtractTextFromPage() 方法用于在读取 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，文本是从第二页或页码 2 中提取的，与页码索引 1 相对应。

从第2页提取文本

结论

本文探讨了如何使用 Python 中的 IronPDF 从 PDF 文件中提取文本。 它涵盖了必要的步骤，包括导入所需的一个或多个库、加载 PDF 文档、提取文本内容以及处理提取的文本。

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，但用于商业用途需要获得许可。 要在生产模式下进行测试，请获取免费试用。 下载并安装最新版本的IronPDF for Python并试用。