Documentation – Ekstrak Teks dari PDF menggunakan Python

Python-Net: Ekstraksi Teks Dasar menggunakan Python

Fri, 12 Jun 2026 00:00:00 +0000

Ekstrak teks dari semua halaman dokumen PDF

Gunakan TextAbsorber untuk menangkap semua teks dari setiap halaman dokumen PDF dan menuliskannya ke file teks. Pendekatan ini sangat cocok untuk mengonversi PDF menjadi teks yang dapat dicari, menjalankan analisis konten, atau menyiapkan teks untuk pengindeksan dan pemrosesan lanjutan.

Buka dokumen PDF menggunakan Document.
Buat sebuah TextAbsorber instansi.
Panggilan document.pages.accept(text_absorber) untuk memindai semua halaman.
Ambil teks yang diekstrak dari text_absorber.text.
Tuliskan hasilnya ke file teks keluaran.

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)

Ekstrak teks dari halaman tertentu

Terapkan TextAbsorber ke satu halaman untuk mengisolasi dan menyimpan teks dari bagian tersebut dalam dokumen multi‑halaman. Ini berguna ketika Anda hanya membutuhkan konten dari satu halaman — misalnya, faktur, bagian laporan, atau ringkasan formulir.

Buka dokumen PDF menggunakan Document.
Buat sebuah TextAbsorber instansi.
Panggilan accept pada halaman target: document.pages[page_number].accept(text_absorber).
Ambil teks yang diekstraksi dan tulis ke sebuah file.

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: Ekstraksi Berbasis Wilayah menggunakan Python

Fri, 12 Jun 2026 00:00:00 +0000

Ekstrak teks dari wilayah tertentu pada halaman

Gunakan TextAbsorber bersama dengan sebuah Rectangle untuk membatasi ekstraksi ke area spesifik pada sebuah halaman. Pendekatan ini berguna untuk ekstraksi berbasis zona dari header, footer, sel tabel, form fields, faktur, atau wilayah tata letak tetap lainnya di mana posisi teks sudah diketahui sebelumnya.

Buka PDF sumber sebagai Document.
Buat sebuah TextAbsorber instansi.
Konfigurasi text_search_options untuk membatasi ekstraksi ke sebuah persegi panjang.
Terima absorber pada halaman target.
Tuliskan teks yang diekstrak ke file output.

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()

Ekstrak Paragraf dengan mengiterasi melalui mereka

Gunakan ParagraphAbsorber ketika Anda membutuhkan ekstraksi yang memperhatikan paragraf alih-alih teks halaman biasa. Tidak seperti TextAbsorber atau TextFragmentAbsorber, API ini mengatur output berdasarkan halaman, bagian, dan paragraf, yang berguna untuk analisis teks, ekspor terstruktur, dan pemrosesan sensitif tata letak.

Buka PDF sumber sebagai Document.
Buat sebuah ParagraphAbsorber instansi.
Panggilan absorber.visit(document) untuk menganalisis semua halaman.
Iterasi melalui page_markups, kemudian melalui setiap bagian dan paragraf.
Baca fragmen teks dari setiap paragraf dan tulis hasilnya ke sebuah file.

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()

Ekstrak Paragraf dengan rendering poligon pembatas

Anda juga dapat menggunakan ParagraphAbsorber untuk memeriksa geometri paragraf. Selain mengekstrak teks, pendekatan ini mencatat setiap persegi panjang bagian dan poligon paragraf, yang berguna untuk pemetaan tata letak, analisis dokumen, alat aksesibilitas, atau pemrosesan lanjutan yang menyadari wilayah.

Buka PDF sumber sebagai Document.
Buat sebuah ParagraphAbsorber instansi.
Kunjungi halaman target.
Baca markup halaman dari absorber.page_markups.
Iterasi melalui bagian dan paragraf untuk menangkap geometri dan teks.
Tulis data persegi panjang, poligon, dan teks ke file output.

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: Meningkatkan Ekstraksi Teks dari PDF Multi‑Kolom

Fri, 12 Jun 2026 00:00:00 +0000

Kurangi ukuran font secara manual lalu ekstrak

Pada beberapa tata letak multi‑kolom, mengurangi ukuran font fragmen teks sebelum ekstraksi dapat meningkatkan urutan bacaan dan mengurangi masalah tumpang tindih. Teknik ini dapat membantu dokumen yang diformat rapat seperti majalah, makalah penelitian, brosur, atau laporan dengan kolom teks yang padat.

Muat PDF.
Gunakan TextFragmentAbsorber untuk mengumpulkan fragmen teks.
Kurangi ukuran font setiap fragmen, lalu simpan dan buka kembali dokumen.
Gunakan TextAbsorber untuk mengekstrak teks.
Tuliskan teks yang diekstrak ke file output.

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)

Ekstrak teks dengan faktor skala

Opsi lain untuk ekstraksi multi-kolom adalah mengonfigurasi TextExtractionOptions dengan faktor skala. Menyesuaikan faktor skala dapat meningkatkan interpretasi fragmen yang sangat rapat dan membantu menjaga urutan baca yang lebih akurat dalam tata letak padat, tabel, atau dokumen berbasis kolom.

Muat PDF.
Buat sebuah TextAbsorber.
Konfigurasikan TextExtractionOptions.scale_factor.
Tetapkan opsi ekstraksi ke absorber.
Ekstrak teks halaman dan tulis hasilnya ke file output.

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: Anotasi dan Teks Khusus menggunakan Python

Fri, 12 Jun 2026 00:00:00 +0000

Ekstrak Teks dari Anotasi Stempel

Gunakan TextAbsorber untuk mengekstrak teks yang tertanam dalam sebuah StampAnnotation appearance stream. Ini berguna ketika konten stempel dirender sebagai form XObject alih-alih disimpan sebagai teks biasa.

Buka Document.
Akses anotasi target dari page.annotations.
Verifikasi bahwa itu adalah StampAnnotation, lalu ambil XForm tampilan normalnya.
Berikan XForm ke TextAbsorber.visit() untuk mengekstrak teks yang disematkan.

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()

Ekstrak Teks yang Disorot

Iterasi anotasi halaman dan gunakan HighlightAnnotation.get_marked_text() untuk membaca rentang teks yang dicakup oleh setiap sorotan. Koleksi anotasi halaman bersifat 1-based.

Buka Document dan pilih halaman target.
Iterasi melalui page.annotations.
Gunakan is_assignable untuk memfilter HighlightAnnotation instansi.
Lakukan casting pada anotasi dan panggil get_marked_text() untuk mengambil konten yang disorot.

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())

Ekstrak Teks Superskrip dan Subskrip

Superskrip dan subskrip muncul secara sering dalam formula, ekspresi matematika, dan nama senyawa kimia. Aspose.PDF for Python via .NET mendukung ekstraksi konten ini melalui TextFragmentAbsorber, yang mendeteksi metadata penempatan tingkat karakter.

Buka Document.
Buat sebuah TextFragmentAbsorber instansi.
Panggilan document.pages[page_number].accept(absorber) untuk memindai halaman target.
Ambil teks lengkap yang diekstrak dari absorber.text.
Tuliskan hasil ke file dan tutup dokumen.

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()

Iterasi melalui Text Fragments untuk Mendeteksi Superscript/Subscript

Untuk inspeksi per-fragment, iterasi atas absorber.text_fragments dan baca itu text_state.superscript dan text_state.subscript bendera boolean pada masing-masing TextFragment.

Buka Document dan buat sebuah TextFragmentAbsorber.
Terima absorber pada halaman target untuk mengisi absorber.text_fragments.
Untuk setiap fragmen, baca fragment.text, fragment.text_state.superscript, dan fragment.text_state.subscript.
Tulis hasilnya ke file output dan tutup dokumen.

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()