استخراج متن از PDF در Python

نحوه استخراج متن از PDF با استفاده از کتابخانه Python for .NET

نحوه استخراج متن از PDF با استفاده از Python for .NET کتابخانه

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.

Python Package Manager Console

pip install aspose-pdf

استخراج متن از PDF در Python


برای امتحان کردن کد در محیط خود، به [Aspose.PDF for Python] نیاز دارید (https://releases.aspose.com/pdf/net).

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 - Python

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

Input file:

File not added

Output format:

PDF

Output file:

import aspose.pdf as ap 
# Open document
dataDir = "..."
document = ap.Document(dataDir + "sample.pdf")

# Create TextAbsorber object to extract text
textAbsorber = ap.text.TextAbsorber()
# Accept the absorber for all the pages
document.pages.accept(textAbsorber)
# Get the extracted text
extractedText = textAbsorber.text

with open('sample.txt', 'w') as f:
    f.write(extractedText)

درباره Aspose.PDF برای Python for .NET API

Aspose.PDF برای پایتون از طریق .NET API از اکثر استانداردهای PDF و مشخصات PDF پشتیبانی می کند. این به توسعه دهندگان اجازه می دهد تا جداول، نمودارها، تصاویر، هایپرلینک ها، فونت های سفارشی - و موارد دیگر - را در اسناد PDF وارد کنند. علاوه بر این، فشرده سازی اسناد PDF نیز امکان پذیر است. Aspose.PDF برای پایتون از طریق .NET ویژگی های امنیتی عالی را برای توسعه اسناد PDF امن فراهم می کند. برخی از ویژگی های مهم Aspose.PDF برای پایتون از طریق .NET API عبارتند از:

  • امکان خواندن و صادرات PDF در چندین فرمت تصویر از جمله BMP، GIF، JPEG و PNG.
  • اطلاعات اساسی (به عنوان مثال نویسنده، خالق) سند PDF را تنظیم کنید.
  • ویژگی های تبدیل: تبدیل PDF به ورد، اکسل و پاورپوینت. تبدیل PDF به فرمت های تصویر تبدیل فایل های PDF به فرمت HTML و بالعکس. تبدیل PDF به EPUB، متن، XPS و غیره

در مورد استفاده از API، می توانید اطلاعات بیشتری در مورد Aspose.PDF برای پایتون از طریق .NET API در [مستندات] ما (https://docs.aspose.com/pdf/python-net/overview/) پیدا کنید.