Extraction de texte de base avec Python

Extraire le texte de toutes les pages d’un document PDF

Utiliser TextAbsorber pour capturer tout le texte de chaque page d’un document PDF et l’écrire dans un fichier texte. Cette approche convient parfaitement à la conversion de PDF en texte interrogeable, à l’analyse du contenu ou à la préparation du texte pour l’indexation et le traitement en aval.

1. Ouvrez le document PDF en utilisant Document.
2. Créer un TextAbsorber instance.
3. Appeler document.pages.accept(text_absorber) scanner toutes les pages.
4. Récupérer le texte extrait de text_absorber.text.
5. Écrivez le résultat dans un fichier texte de sortie.

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)

Extraire le texte d’une page particulière

Appliquer TextAbsorber vers une seule page pour isoler et enregistrer le texte de cette section d’un document multipage. Ceci est utile lorsque vous avez besoin du contenu d’une seule page — par exemple, une facture, une section de rapport ou un résumé de formulaire.

1. Ouvrez le document PDF en utilisant Document.
2. Créer un TextAbsorber instance.
3. Appeler accept sur la page cible : document.pages[page_number].accept(text_absorber).
4. Récupérez le texte extrait et écrivez‑le dans un fichier.

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)