Wszyscy powinniście wiedzieć, czym są pliki PDF. W rzeczywistości są jednym z najważniejszych i najpowszechniej używanych mediów cyfrowych. PDF oznacza format dokumentu przenośnego . To używa .pdf rozszerzenie. Służy do niezawodnego prezentowania i wymiany dokumentów, niezależnie od oprogramowania, sprzętu czy systemu operacyjnego.
Wyciągniemy tekst z plików pdf za pomocą dwóch bibliotek Pythona, pypdf I PyMuPDF , w tym artykule.
Wyodrębnianie tekstu z pliku PDF za pomocą biblioteki pypdf.
Pakiet Pythona pypdf można wykorzystać do osiągnięcia tego, czego chcemy (ekstrakcja tekstu), chociaż może zrobić więcej, niż potrzebujemy. Pakiet ten może być również używany do generowania, deszyfrowania i łączenia plików PDF. Notatka: Aby uzyskać więcej informacji, zobacz Praca z plikami PDF w Pythonie
Instalacja
Aby zainstalować ten pakiet, wpisz poniższe polecenie w terminalu.
pip install pypdf>
Przykład: Wprowadź PDF: 
Python3
przechodzenie przez drzewo binarne w ramach sprzedaży pocztowej
# importing required modules> from> pypdf>import> PdfReader> > # creating a pdf reader object> reader>=> PdfReader(>'example.pdf'>)> > # printing number of pages in pdf file> print>(>len>(reader.pages))> > # getting a specific page from the pdf file> page>=> reader.pages[>0>]> > # extracting text from page> text>=> page.extract_text()> print>(text)> |
>
>
Wyjście:
Spróbujmy zrozumieć powyższy kod fragmentami:
reader = PdfReader('example.pdf')> - Stworzyliśmy obiekt Czytnik PDF klasa z pypdf moduł.
- The Czytnik PDF class pobiera wymagany argument pozycyjny ścieżki do pliku pdf.
print(len(reader.pages))>
- strony Właściwość daje listę Obiekty strony . Zatem tutaj możemy skorzystać z wbudowanego tylko() funkcja Pythona, aby uzyskać liczbę stron w pliku pdf.
page = reader.pages[0]>
- Teraz jako czytelnik.stron jest lista Obiekty strony , możemy uzyskać konkret Strona pliku PDF, dotykając indeksu strony. W Pythonie indeksowanie list zaczyna się od 0, więc czytelnik.strony[0] daje nam pierwszą stronę pliku pdf.
text = page.extract_text() print(text)>
- Obiekt strony ma funkcję wyodrębnij_tekst() aby wyodrębnić tekst ze strony PDF.
Wyodrębnianie tekstu z pliku PDF przy użyciu biblioteki PyMuPDF.
PyMuPDF to biblioteka języka Python obsługująca formaty plików takie jak XPS, PDF, CBR i CBZ. Ale na razie w tym artykule skupimy się na plikach PDF (Portable Document Format).
Instalacja
pip install pymupdf pip install fitz>
Aby wyodrębnić tekst z pliku PDF, musimy wykonać następujące kroki:
- Importowanie biblioteki
- Dokument otwierający
- Wyodrębnianie tekstu
Notatka: Używamy tutaj pliku sample.pdf; aby pobrać plik PDF, skorzystaj z poniższego łącza.
próbka.pdf – Połączyć
1. Importowanie biblioteki
Python3
3 miesiące
import> fitz> |
>
>
2. Dokument otwierający
Python3
znak tostring Java
doc>=> fitz.>open>(>'sample.pdf'>)> |
>
>
Tutaj stworzyliśmy obiekt o nazwie doktor , a nazwa pliku powinna być ciągiem znaków Pythona.
komunikacja analogowa
3. Wyodrębnianie tekstu
Python3
for> page>in> doc:> >text>=> page.get_text()> >print>(text)> |
>
>
Tutaj iterowaliśmy strony w formacie PDF i korzystaliśmy z pobierz_tekst() metoda wyodrębnienia każdej strony z pliku.
Cały kod, aby wyodrębnić tekst
Python3
import> fitz> doc>=> fitz.>open>(>'sample.pdf'>)> text>=> ''> for> page>in> doc:> >text>+>=>page.get_text()> print>(text)> |
Zamień wszystko
>
>
Wyjście:
Wniosek
Widzieliśmy dwie biblioteki Pythona, pypdf I PyMuPDF , które mogą wyodrębnić tekst z pliku PDF. Skomentuj preferowaną bibliotekę z powyższych dwóch bibliotek.