استخراج متن از PDF در Python
نحوه استخراج متن از PDF با استفاده از Python
نحوه استخراج متن از PDF با استفاده از Aspose.PDF برای Python for .NET
آیا شما نیاز به استخراج متن از PDF دارید؟ اصلاح برنامه ای اسناد PDF بخش مهمی از گردش کار دیجیتال مدرن است. با کتابخانه های پایتون مانند Aspose.PDF، توسعه دهندگان می توانند متن را از PDF استخراج کنند. این کتابخانه ها راه حل های مستقلی هستند که به نرم افزارهای دیگر متکی نیستند 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 تمبرها
- استخراج داده ها از جدول
به منظور استخراج متن از فایل PDF، ما از Aspose.PDF for .NET API استفاده خواهیم کرد که یک API دستکاری سند غنی، قدرتمند و آسان برای استفاده برای پلت فرم python-net است. مدیر بسته NuGet را باز کنید، Aspose.PDF را جستجو کرده و نصب کنید. شما همچنین می توانید از دستور زیر از کنسول مدیریت بسته استفاده کنید.
Console
pip install aspose-pdfاستخراج متن از PDF در Python
برای امتحان کد در محیط خود، شما نیاز به Aspose.PDF برای پایتون.
۱. PDF را با یک نمونه از سند بارگذاری کنید. ۱. برای استخراج متن، شیء TextObsorber را ایجاد کنید. ۱. جذب کننده را برای تمام صفحات بپذیرید. ۱. متن استخراج شده را دریافت کنید ۱. یک نویسنده ایجاد کنید و فایل را باز کنید، یک خط متن را به فایل بنویسید
استخراج متن از PDF با Python
این کد نمونه نحوه استخراج متن از اسناد PDF را نشان می دهد
Input file:
File not added
Output format:
Output file:
import aspose.pdf as apdf
from os import path
path_infile = path.join(self.data_dir, infile)
path_outfile = path.join(self.data_dir, outfile)
document = apdf.Document(path_infile)
# Create TextAbsorber object to extract text
textAbsorber = apdf.text.TextAbsorber()
document.pages.accept(textAbsorber)
extractedText = textAbsorber.text
with open(path_outfile, 'w') as f:
f.write(extractedText)