استخراج جداول از PDF در Python

نحوه استخراج جداول از PDF با استفاده از Python

Aspose.PDF for Python for .NET Logo

نحوه استخراج جداول از PDF با استفاده از Aspose.PDF برای ابزار Python for .NET

آیا نیاز به استخراج جداول از PDF دارید؟ اصلاح برنامه نویسی اسناد PDF بخش مهمی از گردش کار دیجیتال مدرن است. با کتابخانه های پایتون مانند Aspose.PDF، توسعه دهندگان می توانند جداول را از PDF استخراج کنند. این کتابخانه‌ها راه حل‌های مستقل هستند که به نرم‌افزارهای دیگر تکیه ندارند و برای استفاده تجاری آماده هستند. آنها تمام نیازهای احتمالی توسعه دهندگان حرفه ای پایتون را پوشش می دهند.

  • استخراج متن از PDF
  • استخراج تصاویر از PDF
  • استخراج فونت از PDF
  • استخراج داده ها از فرم
  • استخراج متن از تمبر
  • استخراج داده ها از جدول

به منظور استخراج جداول از فایل PDF، از Aspose.PDF for .NET API استفاده خواهیم کرد که یک API دستکاری اسناد غنی از ویژگی، قدرتمند و آسان برای استفاده برای پلت فرم python-net است. مدیر بسته NuGet را باز کنید، Aspose.PDF را جستجو کنید و نصب کنید. همچنین می توانید از دستور زیر از کنسول مدیریت بسته استفاده کنید.

Console

pip install aspose-pdf

استخراج جداول از PDF در Python


برای امتحان کد در محیط خود، به نیاز دارید Aspose.PDF برای پایتون.

۱. سند PDF را باز کنید. ۱. در تمام صفحات سند تکرار کنید. ۱. یک جاذب جدول برای صفحه ایجاد کنید. ۱. خروجی متن ردیف را جمع آوری کنید.

استخراج جداول از PDF با Python

این کد نمونه نحوه استخراج جداول از اسناد PDF را نشان می دهد

Input file:

File not added

Output format:

PDF

Output file:


import aspose.pdf as ap
from os import path

from config import set_license, initialize_data_dir

def extract_tables_from_pdf(infile):
    # Open PDF document
    document = ap.Document(infile)

    # Iterate through each page in the document
    for page in document.pages:
        absorber = ap.text.TableAbsorber()
        absorber.visit(page)

        for table in absorber.table_list:
            print("Table")
            for row in table.row_list:
                row_text = []
                for cell in row.cell_list:
                    cell_text = []
                    for fragment in cell.text_fragments:
                        cell_text.append("".join(seg.text for seg in fragment.segments))
                    row_text.append("|".join(cell_text))
                print("|".join(row_text))

درباره Aspose.PDF for Python for .NET API

Aspose.PDF برای پایتون از طریق.NET API از اکثر استانداردهای PDF و مشخصات PDF پشتیبانی می کند. این اجازه می دهد تا توسعه دهندگان برای قرار دادن جداول، نمودار، تصاویر، لینک ها، فونت های سفارشی - و بیشتر - به اسناد PDF. علاوه بر این، امکان فشرده سازی اسناد PDF نیز وجود دارد. Aspose.PDF برای پایتون از طریق.NET فراهم می کند ویژگی های امنیتی عالی برای توسعه اسناد PDF امن است. برخی از ویژگی های مهم Aspose.PDF برای پایتون از طریق.API NET شامل:

  • امکان خواندن و صادرات PDF در فرمت های تصویری متعدد از جمله BMP، GIF، JPEG و PNG.
  • تنظیم اطلاعات اولیه (به عنوان مثال نویسنده، خالق) سند PDF.
  • ویژگی های تبدیل: تبدیل PDF به ورد، اکسل و پاورپوینت. تبدیل PDF به فرمت های تصویری. تبدیل فایل های PDF به فرمت HTML و برعکس. تبدیل PDF به EPUB، متن، XPS، و غیره.

در استفاده از API، می توانید اطلاعات بیشتری در مورد Aspose.PDF برای پایتون از طریق.NET API در ما مستندات.