Python を使用した基本的なテキスト抽出

PDF 文書のすべてのページからテキストを抽出

使用 テキストアブソーバー PDF ドキュメントのすべてのページからすべてのテキストをキャプチャし、テキストファイルに書き込みます。このアプローチは、PDF を検索可能なテキストに変換したり、コンテンツ分析を実行したり、索引付けやダウンストリーム処理のためにテキストを準備したりする場合に適しています。

  1. を使用して PDF ドキュメントを開きます。 文書.
  2. を作成 TextAbsorber インスタンス。
  3. コール document.pages.accept(text_absorber) すべてのページをスキャンします。
  4. 抽出したテキストをから取得 text_absorber.text.
  5. 結果を出力テキストファイルに書き込みます。
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)

特定のページからテキストを抽出する

申し込む テキストアブソーバー 単一ページに変換して、複数ページの文書のそのセクションからテキストを分離して保存します。これは、請求書、レポートセクション、フォームサマリーなど、1 ページだけのコンテンツが必要な場合に便利です。

  1. を使用して PDF ドキュメントを開きます。 文書.
  2. を作成 TextAbsorber インスタンス。
  3. コール accept ターゲットページ上: document.pages[page_number].accept(text_absorber).
  4. 抽出されたテキストを取得し、ファイルに書き込みます。
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)

段落を繰り返し処理して抽出する

使用 パラグラフアブソーバー プレーンページテキストの代わりに段落対応抽出が必要な場合。とは違います テキストアブソーバー または テキストフラグメントアブソーバー、この API は、出力をページ、セクション、および段落ごとに整理します。これは、テキスト分析、構造化されたエクスポート、およびレイアウトに依存する処理に役立ちます。

  1. ソース PDF をとして開きます 文書.
  2. を作成 ParagraphAbsorber インスタンス。
  3. コール absorber.visit(document) すべてのページを分析します。
  4. イテレートスルー page_markups次に、各セクションと段落を確認します。
  5. 各段落のテキストフラグメントを読み取り、結果をファイルに書き込みます。
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()
Python を使用したリージョンベースの抽出