Documentation – استخراج نص من PDF باستخدام Python

Python-Net: استخراج النص الأساسي باستخدام Python

Thu, 11 Jun 2026 00:00:00 +0000

استخراج النص من جميع صفحات وثيقة PDF

استخدم ممتص النص لالتقاط كل النص من كل صفحة من وثيقة PDF وكتابته إلى ملف نصي. هذا الأسلوب مناسب تمامًا لتحويل ملفات PDF إلى نص يمكن البحث فيه أو تشغيل تحليل المحتوى أو إعداد النص للفهرسة والمعالجة النهائية.

افتح مستند PDF باستخدام مستند.
قم بإنشاء TextAbsorber مثال.
اتصل document.pages.accept(text_absorber) لمسح جميع الصفحات.
استرجع النص المستخرج من text_absorber.text.
اكتب النتيجة إلى ملف نصي الإخراج.

import os
import aspose.pdf as ap


def extract_text_from_all_pages(infile, outfile):
    """
    Extract all text from every page of the PDF and write to an output text file.
    Args:
        infile (str): Path to input PDF file.
        outfile (str): Path to output text file.
    """
    # Open the PDF document
    document = ap.Document(infile)
    # Create a TextAbsorber to extract text
    text_absorber = ap.text.TextAbsorber()
    # Accept the absorber for all pages
    document.pages.accept(text_absorber)
    # Get extracted text
    extracted_text = text_absorber.text
    # Write the text to an output file
    with open(outfile, "w", encoding="utf-8") as tw:
        tw.write(extracted_text)

استخراج نص من صفحة معينة

تقدم بطلبك ممتص النص إلى صفحة واحدة لعزل النص وحفظه من هذا القسم من مستند متعدد الصفحات. يكون هذا مفيدًا عندما تحتاج إلى محتوى من صفحة واحدة فقط - على سبيل المثال، فاتورة أو قسم تقرير أو ملخص نموذج.

افتح مستند PDF باستخدام مستند.
قم بإنشاء TextAbsorber مثال.
اتصل accept على الصفحة المستهدفة: document.pages[page_number].accept(text_absorber).
استرجع النص المستخرج واكتبه في ملف.

import os
import aspose.pdf as ap


def extract_text_from_page(infile, outfile, page_number):
    """
    Extract text from a specific page number of the PDF.
    Args:
        infile (str): Path to input PDF file.
        outfile (str): Path to output text file.
        page_number (int): 1-based page index to extract.
    """
    document = ap.Document(infile)
    text_absorber = ap.text.TextAbsorber()
    # Accept the absorber on only the specified page
    document.pages[page_number].accept(text_absorber)
    extracted_text = text_absorber.text
    with open(outfile, "w", encoding="utf-8") as tw:
        tw.write(extracted_text)

Python-Net: الاستخراج المستند إلى المنطقة باستخدام Python

Thu, 11 Jun 2026 00:00:00 +0000

استخراج نص من منطقة معينة من الصفحة

استخدم ممتص النص جنبا إلى جنب مع المستطيل لقصر الاستخراج على منطقة معينة من الصفحة. يُعد هذا الأسلوب مفيدًا للاستخراج المستند إلى المنطقة من الرؤوس أو التذييلات أو خلايا الجدول أو حقول النموذج أو الفواتير أو مناطق التخطيط الثابت الأخرى حيث يكون موضع النص معروفًا مسبقًا.

افتح ملف PDF المصدر كملف مستند.
قم بإنشاء TextAbsorber مثال.
قم بالتهيئة text_search_options للحد من الاستخراج إلى مستطيل.
اقبل جهاز الامتصاص على الصفحة المستهدفة.
اكتب النص المستخرج إلى ملف الإخراج.

import aspose.pdf as ap


def extract_text_from_region(infile, page_number, rect_coords, outfile):
    """
    Extract text from a specified rectangular region on a given page.
    Args:
        infile (str): Path to input PDF file.
        page_number (int): 1-based index of the page.
        rect_coords (tuple): (llx, lly, urx, ury) coordinates of the rectangle.
        outfile (str): Output text file path.
    """
    document = ap.Document(infile)
    try:
        absorber = ap.text.TextAbsorber()
        # Set options to restrict search to the rectangle
        absorber.text_search_options.limit_to_page_bounds = True
        llx, lly, urx, ury = rect_coords
        absorber.text_search_options.rectangle = ap.Rectangle(llx, lly, urx, ury, True)
        # Accept on the specific page
        document.pages[page_number].accept(absorber)
        extracted_text = absorber.text
        with open(outfile, "w", encoding="utf-8") as tw:
            tw.write(extracted_text)
    finally:
        document.close()

استخرج الفقرات عن طريق التكرار من خلالها

استخدم ممتص الفقرة عندما تحتاج إلى الاستخراج مع مراعاة الفقرة بدلاً من نص الصفحة العادية. على عكس ممتص النص أو ممتص أجزاء النص، تقوم واجهة برمجة التطبيقات هذه بتنظيم الإخراج حسب الصفحة والقسم والفقرة، وهو أمر مفيد لتحليل النص والتصدير المنظم والمعالجة الحساسة للتخطيط.

افتح ملف PDF المصدر كملف مستند.
قم بإنشاء ParagraphAbsorber مثال.
اتصل absorber.visit(document) لتحليل جميع الصفحات.
قم بالتكرار من خلال page_markups، ثم من خلال كل قسم وفقرة.
اقرأ أجزاء النص من كل فقرة واكتب النتيجة إلى ملف.

import aspose.pdf as ap


def extract_paragraphs_from_pdf(infile, outfile):
    """
    Extract all paragraphs from a PDF document, and write each paragraph’s text into an output file.
    Args:
        infile (str): Path to input PDF file.
        outfile (str): Path to output text file.
    """
    document = ap.Document(infile)
    try:
        absorber = ap.text.ParagraphAbsorber()
        absorber.visit(document)

        with open(outfile, "w", encoding="utf-8") as tw:
            for page_markup in absorber.page_markups:
                for sec_idx, section in enumerate(page_markup.sections, start=1):
                    for para_idx, paragraph in enumerate(section.paragraphs, start=1):
                        # Concatenate all fragments/lines in the paragraph
                        parts = []
                        for line in paragraph.lines:
                            for fragment in line:
                                parts.append(fragment.text)
                            parts.append("\r\n")
                        paragraph_text = "".join(parts)
                        tw.write(
                            f"Page {page_markup.number}, Section {sec_idx}, Paragraph {para_idx}:\n"
                        )
                        tw.write(paragraph_text + "\n")
    finally:
        document.close()

استخراج الفقرات مع عرض المضلع المحيط

يمكنك أيضًا استخدام ممتص الفقرة لفحص هندسة الفقرة. بالإضافة إلى استخراج النص، يسجل هذا الأسلوب كل مستطيل مقطع ومضلع فقرة، وهو أمر مفيد لتخطيط التخطيط أو تحليل المستندات أو أدوات إمكانية الوصول أو المعالجة اللاحقة على دراية بالمنطقة.

افتح ملف PDF المصدر كملف مستند.
قم بإنشاء ParagraphAbsorber مثال.
قم بزيارة الصفحة المستهدفة.
اقرأ ترميز الصفحة من absorber.page_markups.
قم بالتكرار من خلال الأقسام والفقرات لالتقاط الهندسة والنص.
اكتب بيانات المستطيل والمضلع والنص إلى ملف الإخراج.

import aspose.pdf as ap


def extract_paragraphs_with_geometry(infile, outfile):
    """
    Extract paragraphs and record geometry info (rectangle / polygon) for each paragraph in a PDF.
    Args:
        infile (str): Path to input PDF file.
        outfile (str): Path to output text file.
    """
    document = ap.Document(infile)
    try:
        absorber = ap.text.ParagraphAbsorber()
        absorber.visit(document.pages[1])  # Visit page 2 (pages are 1-indexed)

        page_markup = absorber.page_markups[0]
        with open(outfile, "w", encoding="utf-8") as tw:
            for sec_idx, section in enumerate(page_markup.sections, start=1):
                tw.write(f"Section {sec_idx}: rectangle = {section.rectangle}\n")
                for para_idx, paragraph in enumerate(section.paragraphs, start=1):
                    tw.write(f"  Paragraph {para_idx}: polygon = {paragraph.points}\n")
                    # Concatenate paragraph text
                    parts = []
                    for line in paragraph.lines:
                        for fragment in line:
                            parts.append(fragment.text)
                        parts.append("\r\n")
                    tw.write("    Text: " + "".join(parts) + "\n\n")
    finally:
        document.close()

Python-Net: تحسين استخراج النص من ملفات PDF متعددة الأعمدة

Thu, 11 Jun 2026 00:00:00 +0000

قم بتقليل حجم الخط يدويًا ثم استخرجه

في بعض التخطيطات متعددة الأعمدة، يمكن أن يؤدي تقليل حجم خط أجزاء النص قبل الاستخراج إلى تحسين ترتيب القراءة وتقليل مشكلات التداخل. يمكن أن تساعد هذه التقنية في المستندات المنسقة بإحكام مثل المجلات أو الأوراق البحثية أو الكتيبات أو التقارير ذات الأعمدة النصية الكثيفة.

قم بتحميل ملف PDF.
استخدم ممتص أجزاء النص لجمع أجزاء النص.
قم بتقليل حجم الخط لكل جزء، ثم احفظ المستند وأعد فتحه.
استخدم ممتص النص لاستخراج النص.
اكتب النص المستخرج إلى ملف الإخراج.

import io
import aspose.pdf as ap


def extract_text_reduce_font(infile, outfile, reduce_ratio=0.7):
    """
    Extract text from a multi-column PDF by first reducing font size of all text fragments.
    Args:
        infile (str): Path to input PDF.
        outfile (str): Output text file.
        reduce_ratio (float): Ratio to reduce font size (e.g., 0.7 = 70%).
    """
    doc = ap.Document(infile)

    frag_absorber = ap.text.TextFragmentAbsorber()
    doc.pages.accept(frag_absorber)
    for frag in frag_absorber.text_fragments:
        frag.text_state.font_size = frag.text_state.font_size * reduce_ratio
    # Save to memory stream and reopen (to apply changes)
    ms = io.BytesIO()
    doc.save(ms)
    ms.seek(0)
    doc2 = ap.Document(ms)
    text_absorber = ap.text.TextAbsorber()
    doc2.pages.accept(text_absorber)
    extracted_text = text_absorber.text
    with open(outfile, "w", encoding="utf-8") as tw:
        tw.write(extracted_text)

استخراج النص باستخدام عامل القياس

هناك خيار آخر للاستخراج متعدد الأعمدة وهو التكوين خيارات استخراج النص مع عامل الحجم. يمكن أن يؤدي ضبط عامل القياس إلى تحسين تفسير الأجزاء المعبأة بإحكام والمساعدة في الحفاظ على ترتيب قراءة أكثر دقة في التخطيطات الكثيفة أو الجداول أو المستندات المستندة إلى الأعمدة.

قم بتحميل ملف PDF.
قم بإنشاء ممتص النص.
قم بالتهيئة TextExtractionOptions.scale_factor.
قم بتعيين خيارات الاستخراج للممتص.
استخرج نص الصفحة واكتب النتيجة إلى ملف الإخراج.

import aspose.pdf as ap


def extract_text_scale_factor(infile, outfile, scale_factor=0.5):
    """
    Extract text from a PDF with multi-column layout using scale factor.
    Args:
        infile (str): Input PDF path.
        outfile (str): Output text file path.
        scale_factor (float): Scale factor between 0.1 and 1.0 or 0 for auto-scaling.
    """
    doc = ap.Document(infile)
    text_absorber = ap.text.TextAbsorber()
    ext_opts = ap.text.TextExtractionOptions(
        ap.text.TextExtractionOptions.TextFormattingMode.PURE
    )
    ext_opts.scale_factor = scale_factor
    text_absorber.extraction_options = ext_opts
    doc.pages.accept(text_absorber)
    extracted_text = text_absorber.text
    with open(outfile, "w", encoding="utf-8") as tw:
        tw.write(extracted_text)

Python-Net: التعليقات التوضيحية والنص الخاص باستخدام Python

Thu, 11 Jun 2026 00:00:00 +0000

استخراج نص من التعليقات التوضيحية للطوابع

استخدم ممتص النص لاستخراج نص مضمن في ملف التعليق التوضيحي للطوابع تيار المظهر. يكون هذا مفيدًا عندما يتم عرض محتوى الختم كنموذج XObject بدلاً من تخزينه كنص عادي.

افتح مستند.
الوصول إلى التعليق التوضيحي المستهدف من page.annotations.
تحقق من أنها StampAnnotation، ثم استرجع مظهره العادي XForm.
قم بتمرير النموذج إلى TextAbsorber.visit() لاستخراج النص المضمن.

import os
import aspose.pdf as ap


def extract_text_from_stamp(infile, page_number, annotation_index, outfile):
    """
    Extracts text from a stamp annotation on a given page in a PDF document.
    Args:
        infile (str): Path to the input PDF file.
        page_number (int): 1-based index of the page containing the stamp.
        annotation_index (int): 1-based index of the annotation in that page.
        outfile (str): Path to the output text file where extracted text will be saved.
    """
    document = ap.Document(infile)
    try:
        page = document.pages[page_number]
        annot = page.annotations[annotation_index]
        # Ensure it's a StampAnnotation
        if isinstance(annot, ap.annotations.StampAnnotation):
            # Get normal appearance XForm of the stamp
            xform = annot.appearance["N"]
            absorber = ap.text.TextAbsorber()
            absorber.visit(xform)
            extracted = absorber.text
            with open(outfile, "w", encoding="utf-8") as f:
                f.write(extracted)
    finally:
        document.close()

استخراج النص المميز

قم بالتكرار على التعليقات التوضيحية للصفحة واستخدامها قم بتمييز التعليق التوضيحي. get_marked_text () لقراءة الامتدادات النصية التي يغطيها كل تمييز. تستند مجموعة التعليقات التوضيحية للصفحة إلى 1.

افتح مستند وحدد الصفحة المستهدفة.
قم بالمرور عبر حلقة page.annotations.
استخدم is_assignable للتصفية لـ قم بتمييز التعليق التوضيحي مثيلات.
أرسل التعليق التوضيحي واتصل get_marked_text() لاسترداد المحتوى المميز.

def extract_highlight_text(infile):
    """
    Extract text from highlight annotations.

    Args:
        infile (str): Input PDF filename

    Returns:
        None

    Example:
        extract_highlight_text("sample.pdf")

    Note:
        Prints marked text from each highlight annotation on first page.
    """
    document = ap.Document(infile)
    page = document.pages[1]

    for annotation in page.annotations:
        if is_assignable(annotation, ap.annotations.HighlightAnnotation):
            highlight_annotation = cast(ap.annotations.HighlightAnnotation, annotation)
            print(highlight_annotation.get_marked_text())

استخراج النص العلوي والنص الفرعي

تظهر الحروف العلوية والرموز الفرعية بشكل متكرر في الصيغ والتعبيرات الرياضية وأسماء المركبات الكيميائية. Aspose.PDF لبيثون عبر .NET يدعم استخراج هذا المحتوى من خلال ممتص أجزاء النص، الذي يكتشف البيانات الوصفية لتحديد المواقع على مستوى الحرف.

افتح مستند.
قم بإنشاء TextFragmentAbsorber مثال.
اتصل document.pages[page_number].accept(absorber) لمسح الصفحة المستهدفة.
استرجع النص الكامل المستخرج من absorber.text.
اكتب النتيجة إلى ملف وأغلق المستند.

import os
import aspose.pdf as ap


def extract_super_sub_text(infile, outfile, page_number=1):
    """
    Extract text (including superscript/subscript) from a specified page of a PDF and write to a text file.
    Args:
        infile (str): Path to input PDF file.
        outfile (str): Path to output text file.
        page_number (int): 1‑based index of the page to extract.
    """
    document = ap.Document(infile)
    try:
        absorber = ap.text.TextFragmentAbsorber()
        # Accept only the specific page for extraction
        document.pages[page_number].accept(absorber)
        extracted_text = absorber.text
        with open(outfile, "w", encoding="utf-8") as f:
            f.write(extracted_text)
    finally:
        document.close()

قم بالتكرار من خلال أجزاء النص لاكتشاف النص المرتفع/النص الفرعي

للفحص لكل جزء، قم بالتكرار absorber.text_fragments واقرأ text_state.superscript و text_state.subscript أعلام منطقية على كل منها جزء من النص.

افتح مستند وقم بإنشاء ممتص أجزاء النص.
اقبل أداة الامتصاص على الصفحة المستهدفة للتعبئة absorber.text_fragments.
لكل جزء، اقرأ fragment.text, fragment.text_state.superscript، و fragment.text_state.subscript.
اكتب النتائج إلى ملف الإخراج وأغلق المستند.

import os
import aspose.pdf as ap


def extract_super_sub_details(infile, outfile, page_number=1):
    """
    Extract details of each text fragment on a page, identifying superscript and subscript items.
    Args:
        infile (str): Path to input PDF file.
        outfile (str): Path to output text file.
        page_number (int): 1‑based page index.
    """
    document = ap.Document(infile)
    try:
        absorber = ap.text.TextFragmentAbsorber()
        document.pages[page_number].accept(absorber)

        with open(outfile, "w", encoding="utf-8") as f:
            for fragment in absorber.text_fragments:
                text = fragment.text
                is_sup = fragment.text_state.superscript  # True if superscript
                is_sub = fragment.text_state.subscript  # True if subscript
                f.write(
                    f"Text: '{text}' | Superscript: {is_sup} | Subscript: {is_sub}\n"
                )
    finally:
        document.close()