解析PDF意味著從 PDF 文件中提取結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)。由于 PDF 的結(jié)構(gòu)復(fù)雜，因此這可能具有挑戰(zhàn)性。與純文本或JSON和XML等結(jié)構(gòu)化格式不同，PDF 存儲內(nèi)容的方式并不總是遵循線性順序。提取文本、表格、圖像和元數(shù)據(jù)需要可靠、準(zhǔn)確且高效的 Python PDF 解析器庫。在本文中，我們將學(xué)習(xí)如何使用 Aspose.PDF for Python 在 Python 中解析 PDF。在本指南結(jié)束時(shí)，您將能夠使用 Python 從 PDF 文檔中提取文本、表格和圖像。本文涵蓋以下主題：

• Aspose.PDF：優(yōu)秀的 Python PDF 解析器庫
• 使用 Python 解析 PDF 并提取文本
• 如何使用 Python 解析 PDF 中的表格
• 解析 PDF 元數(shù)據(jù)：使用 Python 獲取 PDF 文件信息
• 使用 Python 解析 PDF 中的圖像
• 如何在 Python 中解析 PDF 注釋

Aspose.PDF：優(yōu)秀的 Python PDF 解析器庫

Aspose.PDF for Python是目前優(yōu)選的 Python PDF 解析器庫之一。它提供高精度、支持結(jié)構(gòu)化數(shù)據(jù)提取，甚至可以通過 OCR 支持處理掃描的 PDF。

Aspose.PDF 在 Python PDF 解析器庫中脫穎而出，原因如下：

• 高精度：精確提取文本和表格。
• 支持結(jié)構(gòu)化數(shù)據(jù)：適用于表格、圖像和元數(shù)據(jù)。
• 無外部依賴：輕量級、獨(dú)立的庫。
• 多種輸出格式：將 PDF 轉(zhuǎn)換為文本、XLSX、DOCX、HTML 和圖像格式。
• 安全性和可靠性：處理復(fù)雜的 PDF 結(jié)構(gòu)而不會損壞數(shù)據(jù)。

與開源替代品相比，Aspose.PDF 提供了更強(qiáng)大、功能更豐富的解決方案，使其成為企業(yè)應(yīng)用程序和文檔自動化系統(tǒng)的理想選擇。

安裝和設(shè)置

安裝 Aspose.PDF for Python 很簡單。從版本中下載或運(yùn)行以下pip命令：

pip install aspose-pdf

import aspose.pdf as ap

提取文本：使用 Python 解析 PDF

從 PDF 解析文本是 Python PDF 解析器庫的主要功能之一。我們可以從 PDF 文檔的所有頁面或 PDF 文檔的特定頁面或區(qū)域中提取文本。在接下來的部分中，我們將學(xué)習(xí)如何：

• 使用 Python 對 PDF 的所有頁面進(jìn)行文本解析
• 解析 PDF 中特定頁面的文本
• 解析 PDF 中特定區(qū)域的文本
• 從多列 PDF 中提取文本
• 使用 ScaleFactor 增強(qiáng)文本解析
• 解析 PDF 中的文本：替代方法

使用 Python 解析 PDF 所有頁面的文本

DocumentAspose.PDF for Python 提供了一種使用和類從 PDF 文檔中提取文本的有效方法TextAbsorber。Document類用于加載 PDF 文件，而TextAbsorber類負(fù)責(zé)從所有頁面中提取文本內(nèi)容。該accept()方法處理每個(gè)頁面并提取文本，然后可以根據(jù)需要存儲或顯示文本。

使用 Python 從 PDF 所有頁面提取文本的步驟

1. 使用該類加載 PDF 文檔Document。
2. 創(chuàng)建TextAbsorber類的一個(gè)實(shí)例來處理文本提取。
3. accept()在集合上調(diào)用該方法pages，允許TextAbsorber處理所有頁面。
4. text使用實(shí)例的屬性檢索提取的文本TextAbsorber。
5. 打印提取的文本。

以下代碼示例展示了如何使用 Python 解析 PDF 所有頁面的文本。

# This code example shows how to extract text from all pages of a PDF document in Python
import aspose.pdf as ap

# Open PDF document
document = ap.Document("AddText.pdf")

# Create text absorber
text_absorber = ap.text.TextAbsorber()

# Call the accept method to process all pages
document.pages.accept(text_absorber)

# Retrieve the extracted text
extracted_text = text_absorber.text

# Define the file path
file_path = "extracted-text.txt"

# Open the file in write mode and write the extracted text
with open(file_path, "w", encoding="utf-8") as tw:
    tw.write(extracted_text + "\n")  # Write the extracted text with a newline

解析 PDF 中特定頁面的文本

我們還可以通過稍微修改之前的方法從 PDF 文檔的特定頁面中提取文本。您無需處理整個(gè)文檔，只需在對象accept()的所需頁面上調(diào)用該方法Document即可。只需使用其索引指定頁碼，Aspose.PDF 就會僅從該頁面提取文本。此方法在處理大型 PDF 時(shí)非常有用，因?yàn)槟恍枰囟ú糠值臄?shù)據(jù)，從而提高效率和性能。

以下代碼示例展示了如何使用 Python 解析 PDF 特定頁面的文本。

# This code example shows how to extract text from a specific page of a PDF document in Python
import aspose.pdf as ap

# Open PDF document
document = ap.Document("AddText.pdf")

# Create text absorber
text_absorber = ap.text.TextAbsorber()

# Call the accept method to process all pages
document.pages[1].accept(text_absorber)

# Retrieve the extracted text
extracted_text = text_absorber.text

# Define the file path
file_path = "extracted-text.txt"

# Open the file in write mode and write the extracted text
with open(file_path, "w", encoding="utf-8") as tw:
    tw.write(extracted_text + "\n")  # Write the extracted text with a newline

解析 PDF 中特定區(qū)域的文本

有時(shí)，我們可能需要從 PDF 頁面的特定部分提取文本，而不是從整個(gè)文檔中檢索內(nèi)容。要定位特定區(qū)域，請使用Rectangle的屬性TextSearchOptions。此屬性接受一個(gè)Rectangle對象，該對象定義所需區(qū)域的坐標(biāo)。通過指定此邊界，我們可以僅從選定區(qū)域提取文本，而忽略頁面的其余內(nèi)容。

從特定頁面區(qū)域提取文本的步驟

1. 使用該類加載 PDF 文檔Document。
2. 創(chuàng)建一個(gè)TextAbsorber類實(shí)例來從文檔中捕獲文本。
3. 使用 定義目標(biāo)區(qū)域* TextSearchOptions.Rectangle，指定從中提取文本的區(qū)域。
4. accept()通過調(diào)用選定頁面上的方法將文本提取應(yīng)用于特定頁面。
5. Text從的屬性中檢索提取的文本TextAbsorber。
6. 根據(jù)需要處理輸出。

以下代碼示例展示如何使用 Python 解析 PDF 頁面特定區(qū)域的文本。

# This code example shows how to extract text from a specific region of a page in a PDF document using Python
import aspose.pdf as ap

# Open PDF document
document = ap.Document("sample.pdf")

# Create TextAbsorber object to extract text
absorber = ap.text.TextAbsorber()
absorber.text_search_options.limit_to_page_bounds = True
absorber.text_search_options.rectangle = ap.Rectangle(100, 200, 250, 350, True)

# Accept the absorber for the first page
document.pages[1].accept(absorber)

# Get the extracted text
extracted_text = absorber.text

# Define the file path
file_path = "extracted-text.txt"

# Open the file in write mode and write the extracted text
with open(file_path, "w", encoding="utf-8") as tw:
    tw.write(extracted_text + "\n")  # Write the extracted text with a newline

這種方法允許您從表格單元格、表單字段或頁面的任何定義部分中精確地提取文本，使其成為文檔自動化和數(shù)據(jù)分析的理想選擇。

從多列 PDF 中提取文本

PDF 文檔通常包含文本、圖片、注釋、附件和圖表等多種元素。處理多列 PDF 時(shí)，提取文本并保持原始布局可能具有挑戰(zhàn)性。

Aspose.Pdf for Python 簡化了此過程，允許開發(fā)人員在提取之前操作文本屬性。通過調(diào)整字體大小然后提取文本，您可以獲得更清晰、更結(jié)構(gòu)化的輸出。以下步驟演示了如何應(yīng)用此方法從多列 PDF 中準(zhǔn)確提取文本。

使用 Python 從多列 PDF 中提取文本的步驟

1. 使用該類加載 PDF 文檔Document。
2. 創(chuàng)建一個(gè)實(shí)例來TextFragmentAbsorber從文檔中定位并提取單個(gè)文本片段。
3. 檢索所有檢測到的文本片段并將其字體大小縮小70%以提高提取準(zhǔn)確性。
4. 將修改后的文檔存儲在內(nèi)存流中，以避免保存中間文件。
5. 從內(nèi)存流加載PDF來處理調(diào)整后的文本。
6. 使用TextAbsorber從修改后的文檔中檢索結(jié)構(gòu)化文本。
7. 將提取的文本保存到.txt文件中以供進(jìn)一步使用。

以下代碼示例顯示如何在保留布局的同時(shí)從多列 PDF 中提取文本。

# This code example shows how to extract text from a multi-column PDF in Python
import io
import aspose.pdf as ap

# Open PDF document
document = ap.Document("multi-column-sample.pdf")

# Create TextFragmentAbsorber object to extract text
text_fragment_absorber = ap.text.TextFragmentAbsorber()

# Accept the absorber for the first page
document.pages.accept(text_fragment_absorber)

# Get the collection of extracted text fragments
text_fragment_collection = text_fragment_absorber.text_fragments

# Reduce font size by at least 70% to improve text extraction
for text_fragment in text_fragment_collection:
    text_fragment.text_state.font_size *= 0.7

# Save the modified document to an in-memory stream
source_stream = io.BytesIO()
document.save(source_stream)

# Reload the document from the memory stream
source_stream.seek(0)
dest_document = ap.Document(source_stream)

# Initialize TextAbsorber to extract the updated text
text_absorber = ap.text.TextAbsorber()
dest_document.pages.accept(text_absorber)
extracted_text = text_absorber.text

# Save the extracted text to a file
with open("ExtractColumnsText_out.txt", "w", encoding="utf-8") as file:
    file.write(extracted_text)

該方法可確保從多列 PDF中提取的文本盡可能準(zhǔn)確地保留其原始布局。

使用 ScaleFactor 增強(qiáng)文本解析

Aspose.Pdf for Python 允許您解析 PDF 并使用高級文本提取選項(xiàng)（例如文本格式化模式和比例因子）從特定頁面提取文本。這些選項(xiàng)有助于從復(fù)雜的 PDF（包括多列文檔）中準(zhǔn)確提取文本。

通過使用ScaleFactor選項(xiàng)，我們可以微調(diào)內(nèi)部文本網(wǎng)格以獲得更高的準(zhǔn)確性。1到 0.1之間的比例因子的作用類似于字體縮小，有助于正確對齊提取的文本。0.1到 -0.1之間的值被視為零，可根據(jù)頁面上最常用字體的平均字形寬度自動縮放。如果未設(shè)置ScaleFactor ，則應(yīng)用默認(rèn)值1.0，確保不進(jìn)行縮放調(diào)整。對于大規(guī)模文本提取，ScaleFactor = 0建議使用自動縮放（），但手動設(shè)置ScaleFactor = 0.5可以增強(qiáng)復(fù)雜布局的結(jié)果。但是，不必要的縮放不會影響內(nèi)容完整性，確保提取的文本仍然可靠。

使用比例因子從特定頁面提取文本的步驟

1. 使用該類加載 PDF 文檔Document。
2. 創(chuàng)建一個(gè)實(shí)例來TextAbsorber提取文本。
3. 設(shè)置TextExtractionOptions為PURE格式模式，以便準(zhǔn)確提取。
4. 調(diào)整scale_factor以優(yōu)化多列 PDF 中的文本識別。
5. 調(diào)用accept()集合pages來提取文本。
6. 將提取的內(nèi)容保存在文本文件中。

# This code example shows how to extract text from a specific region of a page in a PDF document using Python
import aspose.pdf as ap

# Open PDF document
document = ap.Document("sample.pdf")

# Initialize TextAbsorber with text extraction options
text_absorber = ap.text.TextAbsorber()

# Set extraction options
extraction_options = ap.text.TextExtractionOptions(ap.text.TextExtractionOptions.TextFormattingMode.PURE)
extraction_options.scale_factor = 0.5  # Adjusts text recognition for better column detection
text_absorber.extraction_options = extraction_options

# Extract text from the specified page
document.pages.accept(text_absorber)

# Get extracted text
extracted_text = text_absorber.text

# Save extracted text to a file
with open("ExtractTextUsingScaleFactor_out.txt", "w", encoding="utf-8") as file:
    file.write(extracted_text)

如何使用 Python 解析 PDF 中的表格

解析 PDF 中的表格對于數(shù)據(jù)分析、自動化和報(bào)告至關(guān)重要。PDF 通常包含表格形式的結(jié)構(gòu)化數(shù)據(jù)，使用標(biāo)準(zhǔn)文本提取方法檢索這些數(shù)據(jù)可能具有挑戰(zhàn)性。幸運(yùn)的是，Aspose.Pdf for Python提供了一種強(qiáng)大的方法來高精度地提取表格，同時(shí)保留其結(jié)構(gòu)和內(nèi)容。

該類TableAbsorber專門用于檢測和提取 PDF 頁面中的表格。它處理每個(gè)頁面、識別表格并檢索各個(gè)行和單元格，同時(shí)保持其結(jié)構(gòu)。以下是使用 Aspose.PDF for Python 從 PDF 文檔中提取表格的步驟。

使用 Python 解析 PDF 表格的步驟

1. 使用該類加載包含表格的 PDF 文件Document。
2. 循環(huán)遍歷pages文檔集合以單獨(dú)處理每一頁。
3. 創(chuàng)建類的實(shí)例TableAbsorber來檢測和提取表。
4. 調(diào)用該visit()方法來識別當(dāng)前頁面上的表格。
5. 遍歷提取的表的列表并檢索行和單元格。
6. 訪問text_fragments每個(gè)單元格并使用該屬性提取文本segments。
7. 保存提取的表數(shù)據(jù)以供進(jìn)一步分析或在控制臺中顯示。

# This code example shows how to extract tables from a PDF document in Python
import aspose.pdf as ap

# Load PDF file
document = pdf.Document("sample.pdf")

# Process all pages
for page in document.pages:
    # Initialize TableAbsorber object
    absorber = ap.text.TableAbsorber()
    # Identify tables on the current page
    absorber.visit(page)
    # Loop through extracted tables
    for table in absorber.table_list:
        # Iterate through all the rows in the table
        for row in table.row_list:
            # Iterate through all the columns in the row
            for cell in row.cell_list:
                # Fetch the text fragments
                text_fragment_collection = cell.text_fragments
                # Iterate through the text fragments
                for fragment in text_fragment_collection:
                    # Print the text
                    print(fragment.text)

通過遵循這些步驟，您可以有效地從 PDF 中提取表格，從而更輕松地處理和分析結(jié)構(gòu)化數(shù)據(jù)。

解析 PDF 元數(shù)據(jù)：使用 Python 獲取 PDF 文件信息

處理 PDF 時(shí)，通常需要檢索元數(shù)據(jù)，例如作者、創(chuàng)建日期、關(guān)鍵字和標(biāo)題。Aspose.Pdf for Python通過類的屬性提供對DocumentInfo對象的訪問，使此操作變得簡單。這允許您以編程方式提取基本文檔屬性。InfoDocument

解析 PDF 元數(shù)據(jù)的步驟

1. 使用該類Document打開所需的 PDF 文件。
2. 使用屬性檢索DocumentInfoinfo對象。
3. 訪問特定詳細(xì)信息，如作者、創(chuàng)作日期、標(biāo)題、主題和關(guān)鍵字。
4. 打印元數(shù)據(jù)或保存以供進(jìn)一步處理。

以下 Python 腳本演示了如何使用 Python 從 PDF 文件中檢索并顯示關(guān)鍵詳細(xì)信息：

# This code example shows how to extract file information in Python
import aspose.pdf as ap

# Load the PDF document
document = ap.Document("Sample.pdf")

# Retrieve document information
doc_info = document.info

# Display document metadata
print(f"Author: {doc_info.author}")
print(f"Creation Date: {doc_info.creation_date}")
print(f"Keywords: {doc_info.keywords}")
print(f"Modify Date: {doc_info.mod_date}")
print(f"Subject: {doc_info.subject}")
print(f"Title: {doc_info.title}")

使用 Python 解析 PDF 文件中的圖像

我們可以解析 PDF 文檔并高效地檢索文檔中嵌入的圖像。我們可以從特定頁面中提取高質(zhì)量圖像并單獨(dú)保存以供進(jìn)一步使用。

每個(gè)PDF 頁面將其圖像存儲在資源集合中，具體來說是在XImage集合內(nèi)。要提取圖像，請?jiān)L問所需頁面，Images使用其索引從集合中檢索圖像，然后保存。

使用 Python 解析 PDF 中的圖像的步驟

1. 使用該類加載包含圖像的 PDF 文件Document。
2. 檢索您想要從中提取圖像的特定頁面。
3. 訪問Images頁面的集合resources并指定圖像索引。
4. 使用流保存提取的圖像。

以下代碼示例展示了如何使用 Python 解析 PDF 中的圖像。

# This code example shows how to extract images from a PDF in Python
import aspose.pdf as ap

# Open document
document = ap.Document("Sample.pdf")

# Extract a particular image (first image from the first page)
x_image = document.pages[1].resources.images[1]

# Define the output image path
output_image_path = "OutputImage.jpg"

# Save the extracted image
with open(output_image_path, "wb") as output_image:
    output_image.write(x_image.to_stream().read())

此方法提供了一種簡單而有效的方法來從 PDF 中提取圖像，同時(shí)保持其質(zhì)量。使用 Aspose.PDF for Python，您可以自動提取各種應(yīng)用程序的圖像，例如文檔處理、數(shù)據(jù)存檔和內(nèi)容分析。

如何在 Python 中解析 PDF 注釋

PDF 中的注釋通過添加高亮、圖形和便簽來增強(qiáng)文檔交互。每種注釋類型都有特定的用途，而Aspose.Pdf for Python可以輕松提取它們進(jìn)行分析或處理。

• 使用 Python 解析 PDF 中的文本注釋
• 使用 Python 解析 PDF 中突出顯示的文本
• 使用 Python 解析 PDF 圖形注釋
• 如何在 Python 中解析 PDF 鏈接注釋

使用 Python 解析 PDF 中的文本注釋

PDF 文檔通常包含文本注釋，這些注釋可作為注釋或說明附加到頁面上的特定位置。折疊時(shí)，這些注釋顯示為圖標(biāo)，展開時(shí)，它們會在彈出窗口中顯示文本。PDF 中的每個(gè)頁面都有自己的注釋集合，其中包含特定于該頁面的所有注釋。通過利用Aspose.PDF for Python，您可以有效地從 PDF 文件中提取文本注釋。

解析 PDF 中的文本注釋的步驟

1. 使用該類加載PDF文檔Document。
2. 檢索annotations特定頁面的屬性以獲取該頁面上的所有注釋。
3. 遍歷注釋并過濾帶有 的注釋AnnotationType.TEXT。
4. 檢索相關(guān)信息，如注釋位置（rect），以供進(jìn)一步處理或顯示。

import aspose.pdf as ap

# Load the PDF document
document = ap.Document("annotations.pdf")

# Loop through all annotations on the first page
for annotation in document.pages[1].annotations:
    if annotation.annotation_type == ap.annotations.AnnotationType.TEXT:
        # Print annotation details
        print(f"Title: {annotation.full_name}")
        print(f"Contents: {annotation.contents}")
        print(f"Annotation Rectangle: {annotation.rect}")

使用 Python 解析 PDF 中突出顯示的文本

在許多情況下，您可能只需要從 PDF 中提取突出顯示的文本，而不是全部內(nèi)容。無論您是分析重要筆記、總結(jié)要點(diǎn)還是自動化文檔處理，Aspose.PDF for Python 都可以輕松高效地檢索突出顯示的文本。

突出顯示注釋標(biāo)記重要的文本段落，通常用于評論或?qū)W習(xí)筆記。您可以使用該類提取突出顯示的文本及其屬性，例如顏色和位置HighlightAnnotation。

我們可以按照前面提到的步驟來解析 PDF 文檔中突出顯示的文本注釋。但是，我們只需AnnotationType.HIGHLIGHT在步驟 3 中提及即可。

以下示例演示如何從 PDF 中過濾和提取突出顯示的文本。

import aspose.pdf as ap

# Load the PDF document
document = ap.Document("annotations.pdf")

# Loop through all annotations on the first page
for annotation in document.pages[1].annotations:
    if annotation.annotation_type == ap.annotations.AnnotationType.HIGHLIGHT:
        # Print annotation details
        print(f"Title: {annotation.full_name}")
        print(f"Annotation Rectangle: {annotation.rect}")

使用 Python 解析 PDF 圖形注釋

圖形注釋包括用于強(qiáng)調(diào)或解釋的形狀、圖畫或圖章InkAnnotation等圖形元素。提取這些注釋涉及識別StampAnnotation對象并檢索其繪圖路徑或圖像。

要解析 PDF 文檔中的行注釋，請按照前面概述的步驟操作。唯一需要修改的是AnnotationType.LINE在步驟 3 中指定。

以下示例演示如何使用 Python 解析 PDF 中的行注釋。

import aspose.pdf as ap

# Load the PDF document
document = ap.Document("annotations.pdf")

# Loop through all annotations on the first page
for annotation in document.pages[1].annotations:
    if annotation.annotation_type == ap.annotations.AnnotationType.LINE:
        # Print annotation details
        print(f"Annotation Rectangle: {annotation.rect}")

如何在 Python 中解析 PDF 鏈接注釋

PDF 中的鏈接注釋允許用戶在文檔內(nèi)無縫導(dǎo)航、打開外部文件或直接從 PDF 訪問網(wǎng)頁。這些超鏈接通過提供對附加信息的快速訪問來增強(qiáng)交互性并改善用戶體驗(yàn)。

要從 PDF 中提取鏈接注釋，請按照與之前相同的步驟操作，但在步驟 3 中，請確保指定AnnotationType.LINK。這可確保僅檢索鏈接注釋。

以下代碼示例展示如何使用 Python 解析 PDF 中的鏈接注釋。

import aspose.pdf as ap

# Load the PDF document
document = ap.Document("annotations.pdf")

# Loop through all annotations on the first page
for annotation in document.pages[1].annotations:
    if annotation.annotation_type == ap.annotations.AnnotationType.LINK:
        # Print annotation details
        print(f"Annotation Rectangle: {annotation.rect}")

結(jié)論

Aspose.PDF for Python 是需要可靠、高效且功能豐富的 PDF 解析解決方案的開發(fā)人員的 Python PDF 解析器庫。無論您需要解析文本、表格、圖像、元數(shù)據(jù)還是注釋，Aspose.PDF 都能提供必要的工具。

————————————————————————————————————————

關(guān)于慧都科技：

慧都科技是專注軟件工程、智能制造、石油工程三大行業(yè)的數(shù)字化解決方案服務(wù)商。在軟件工程領(lǐng)域，我們提供開發(fā)控件、研發(fā)管理、代碼開發(fā)、部署運(yùn)維等軟件開發(fā)全鏈路所需的產(chǎn)品，提供正版授權(quán)采購、技術(shù)選型、個(gè)性化維保等服務(wù)，幫助客戶實(shí)現(xiàn)技術(shù)合規(guī)、降本增效與風(fēng)險(xiǎn)可控。慧都科技Aspose在中國的官方授權(quán)代理商，提供Aspose系列產(chǎn)品免費(fèi)試用，咨詢，正版銷售等于一體的專業(yè)化服務(wù)。Aspose是文檔處理領(lǐng)域的優(yōu)秀產(chǎn)品，幫助企業(yè)高效構(gòu)建文檔處理的應(yīng)用程序。

下載|體驗(yàn)更多Aspose產(chǎn)品，請咨詢，或撥打產(chǎn)品熱線：023-68661681