解锁 PDF 内容：如何用 Python 从 PDF 中快速提取文本

在现代办公环境中，PDF 文件作为一种通用的文档格式被广泛使用。无论是合同、报告还是电子书，很多重要信息都储存于 PDF 文件中。因此，从 PDF 文件中提取文本数据的需求也逐渐增加。本文将为大家介绍如何使用 Spire.PDF for Python 来实现这一功能，具体包括从某一页和从指定区域提取文本。

1. 环境准备

首先，确保你已经安装了 Python 和 Spire.PDF 的相关库。你可以通过以下命令安装 Spire.PDF：

pip install Spire.PDF

2. 从指定页面提取文本

2.1 代码示例

以下代码展示了如何从 PDF 文档中的特定页（例如第2页）提取文本：

from spire.pdf.common import * from spire.pdf import * # 创建一个 PdfDocument 对象 doc = PdfDocument() # 加载 PDF 文档 doc.LoadFromFile('C:/Users/Administrator/Desktop/Terms of service.pdf') # 创建 PdfTextExtractOptions 对象并启用全文本提取 extractOptions = PdfTextExtractOptions() # 提取所有文本，包括空格 extractOptions.IsExtractAllText = True # 获取特定的页面（例如，第2页） page = doc.Pages.get_Item(1) # 创建 PdfTextExtractor 对象 textExtractor = PdfTextExtractor(page) # 从页面中提取文本 text = textExtractor.ExtractText(extractOptions) # 使用 UTF-8 编码将提取的文本写入文件 withopen('output/TextOfPage.txt', 'w', encoding='utf-8') as file: file.write(text)

2.2 代码解析

1. 创建PdfDocument对象：这一步是加载 PDF 文件的第一步。
2. 加载 PDF 文档：使用指定路径加载你要处理的 PDF 文件。
3. 配置提取选项：通过设置IsExtractAllText为 True，确保提取所有文本，包括空格。
4. 获取特定页面：doc.Pages.get_Item(1)获取的是 PDF 的第二页（索引从0开始）。
5. 创建文本提取器并提取文本：使用PdfTextExtractor对象来提取文本。
6. 将提取的文本保存为文件：最终将文本内容保存到指定路径的文件中。

3. 从指定区域提取文本

有时候，仅提取 PDF 中的某一特定区域的文本更加有效。这可以通过定义一个矩形区域来实现。

3.1 代码示例

以下代码将展示如何从 PDF 的指定区域提取文本：

from spire.pdf.common import * from spire.pdf import * # 创建一个 PdfDocument 对象 doc = PdfDocument() # 加载 PDF 文档 doc.LoadFromFile('C:/Users/Administrator/Desktop/Terms of service.pdf') # 获取特定的页面（例如，第2页） page = doc.Pages.get_Item(1) # 创建 PdfTextExtractor 对象 textExtractor = PdfTextExtractor(page) # 创建 PdfTextExtractOptions 对象 extractOptions = PdfTextExtractOptions() # 定义提取的矩形区域 # RectangleF(left, top, width, height) extractOptions.ExtractArea = RectangleF(0.0, 100.0, 890.0, 80.0) # 从指定区域提取文本，保留空格 text = textExtractor.ExtractText(extractOptions) # 使用 UTF-8 编码将提取的文本写入文件 withopen('output/TextOfRectangle.txt', 'w', encoding='utf-8') as file: file.write(text)

3.2 代码解析

1. 加载 PDF 文件：与之前相同，首先加载 PDF 文档。
2. 获取特定页面：依然使用doc.Pages.get_Item(1)来获取第2页。
3. 定义提取区域：通过RectangleF类来定义一个矩形区域，该区域的左上角坐标为(0, 100)，宽度为890，高度为80。
4. 执行文本提取：然后使用ExtractText方法从指定区域提取文本。
5. 保存文本：最后，提取的文本同样保存为 UTF-8 编码的文件。

结论

通过以上方法，我们可以方便地从 PDF 文档中提取所需的文本信息。Spire.PDF for Python 提供的 API 简洁高效，能够满足多种文本提取需求。不论是从全页提取还是从特定区域提取，在实际工作中都能显著提高效率，尤其对于需要处理大量 PDF 文件的场合，使用此工具将使你事半功倍。

希望这篇博客能够帮助你更好地理解如何使用 Python 提取 PDF 文本，让你的工作更轻松高效！