Sie alle müssen mit PDFs vertraut sein. Tatsächlich sind sie eines der wichtigsten und am weitesten verbreiteten digitalen Medien. PDF steht für Tragbares Dokumentformat . Es benutzt .pdf Verlängerung. Es dient der zuverlässigen Präsentation und dem Austausch von Dokumenten, unabhängig von Software, Hardware oder Betriebssystem.
Wir extrahieren Text aus PDF-Dateien mithilfe von zwei Python-Bibliotheken. pypdf Und PyMuPDF , In diesem Artikel.
Extrahieren von Text aus einer PDF-Datei mithilfe der pypdf-Bibliothek.
Python-Paket pypdf kann verwendet werden, um das zu erreichen, was wir wollen (Textextraktion), obwohl es mehr kann, als wir brauchen. Mit diesem Paket können auch PDF-Dateien generiert, entschlüsselt und zusammengeführt werden. Notiz: Weitere Informationen finden Sie unter Arbeiten mit PDF-Dateien in Python
Installation
Um dieses Paket zu installieren, geben Sie den folgenden Befehl in das Terminal ein.
pip install pypdf>
Beispiel: Eingabe-PDF: 
Python3
Was ist GB?
# 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)> |
>
>
Ausgabe:
schönstes Lächeln
Versuchen wir, den obigen Code in Teilen zu verstehen:
reader = PdfReader('example.pdf')> - Wir haben ein Objekt erstellt von PDF Reader Klasse aus der pypdf Modul.
- Der PDF Reader Die Klasse übernimmt ein erforderliches Positionsargument des Pfads zur PDF-Datei.
print(len(reader.pages))>
- Seiten Eigenschaft gibt eine Liste von Seitenobjekte . Hier können wir also das eingebaute verwenden nur() Funktion von Python, um die Anzahl der Seiten in der PDF-Datei zu ermitteln.
page = reader.pages[0]>
- Nun, als Leserseiten ist eine Liste von Seitenobjekte , wir können eine konkrete bekommen Seite des PDFs, indem Sie auf den Index der Seite tippen. In Python beginnt die Listenindizierung also bei 0 reader.pages[0] gibt uns die erste Seite der PDF-Datei.
text = page.extract_text() print(text)>
- Seitenobjekt hat Funktion extract_text() um Text aus der PDF-Seite zu extrahieren.
Extrahieren von Text aus einer PDF-Datei mithilfe der PyMuPDF-Bibliothek.
PyMuPDF ist eine Python-Bibliothek, die Dateiformate wie XPS, PDF, CBR und CBZ unterstützt. Doch zunächst konzentrieren wir uns in diesem Artikel auf PDF-Dateien (Portable Document Format).
Installation
pip install pymupdf pip install fitz>
Um den Text aus dem PDF zu extrahieren, müssen wir die folgenden Schritte ausführen:
- Importieren der Bibliothek
- Eröffnungsdokument
- Text extrahieren
Notiz: Wir verwenden hier die Beispieldatei.pdf; Um das PDF zu erhalten, verwenden Sie den untenstehenden Link.
Muster.pdf – Verknüpfung
1. Importieren der Bibliothek
Python3
import> fitz> |
>
>
2. Dokument öffnen
Python3
Nachteile des Online-Bankings
doc>=> fitz.>open>(>'sample.pdf'>)> |
>
>
Hier haben wir ein Objekt namens erstellt Dok und Dateiname sollte eine Python-Zeichenfolge sein.
3. Text extrahieren
Python3
Selen
for> page>in> doc:> >text>=> page.get_text()> >print>(text)> |
>
>
Hier haben wir Seiten im PDF-Format iteriert und die verwendet get_text() Methode zum Extrahieren jeder Seite aus der Datei.
Der gesamte Code zum Extrahieren des Textes
Python3
import> fitz> doc>=> fitz.>open>(>'sample.pdf'>)> text>=> ''> for> page>in> doc:> >text>+>=>page.get_text()> print>(text)> |
>
>
Ausgabe:
binäre Baumtypen
Abschluss
Wir haben zwei Python-Bibliotheken gesehen, pypdf Und PyMuPDF , das Text aus einer PDF-Datei extrahieren kann. Kommentieren Sie Ihre bevorzugte Bibliothek aus den beiden oben genannten Bibliotheken.