Documentation – Python を使用して PDF からテキストを抽出する

Python-Net: Python を使用した基本的なテキスト抽出

Tue, 09 Jun 2026 00:00:00 +0000

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。

を使用して PDF ドキュメントを開きます。文書.
を作成 TextAbsorber インスタンス。
コール document.pages.accept(text_absorber) すべてのページをスキャンします。
抽出したテキストをから取得 text_absorber.text.
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。

を使用して PDF ドキュメントを開きます。文書.
を作成 TextAbsorber インスタンス。
コール accept ターゲットページ上: document.pages[page_number].accept(text_absorber).
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)

Python-Net: Python を使用したリージョンベースの抽出

Tue, 09 Jun 2026 00:00:00 +0000

ページの特定の領域からテキストを抽出する

使用テキストアブソーバーと一緒に四角形抽出をページの特定の領域に制限します。この方法は、ヘッダー、フッター、テーブルセル、フォームフィールド、請求書、またはテキストの位置が事前にわかっているその他の固定レイアウト領域からゾーンベースで抽出する場合に便利です。

ソース PDF をとして開きます文書.
を作成 TextAbsorber インスタンス。
環境設定 text_search_options 抽出を長方形に制限します。
ターゲットページのアブソーバーを受け入れます。
抽出したテキストを出力ファイルに書き込みます。

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()

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。

ソース PDF をとして開きます文書.
を作成 ParagraphAbsorber インスタンス。
コール absorber.visit(document) すべてのページを分析します。
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。
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()

バウンディングポリゴンレンダリングによる段落の抽出

使用することもできますパラグラフアブソーバー段落のジオメトリを検査します。この方法では、テキストを抽出するだけでなく、各セクションの四角形と段落の多角形も記録されるため、レイアウトマッピング、文書分析、アクセシビリティツール、または領域を意識した後処理に役立ちます。

ソース PDF をとして開きます文書.
を作成 ParagraphAbsorber インスタンス。
ターゲットページにアクセスしてください。
ページマークアップを以下から読み込む absorber.page_markups.
セクションや段落を繰り返し読み込んで、ジオメトリとテキストをキャプチャします。
長方形、多角形、およびテキストデータを出力ファイルに書き込みます。

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: 複数列の PDF からのテキスト抽出の改善

Tue, 09 Jun 2026 00:00:00 +0000

フォントサイズを手動で縮小してから抽出する

複数列のレイアウトでは、抽出前にテキストフラグメントのフォントサイズを小さくすると、読み上げ順序が改善され、重複の問題が軽減されます。この手法は、雑誌、研究論文、パンフレット、またはテキスト列が密集したレポートなど、フォーマットの厳しい文書に役立ちます。

PDF をロードします。
使用テキストフラグメントアブソーバーテキストの断片を集めるためだ
各フラグメントのフォントサイズを小さくしてから、ドキュメントを保存して再度開きます。
使用テキストアブソーバーテキストを抽出します。
抽出したテキストを出力ファイルに書き込みます。

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)

スケールファクターを使用してテキストを抽出

複数列抽出のもう1つのオプションは、構成することですテキスト抽出オプションスケールファクター付き。スケールファクターを調整すると、密集したフラグメントの解釈が改善され、密集したレイアウト、表、または列ベースの文書でもより正確な読み上げ順序を維持できます。

PDF をロードします。
を作成テキストアブソーバー.
環境設定 TextExtractionOptions.scale_factor.
抽出オプションをアブソーバーに割り当てます。
ページテキストを抽出し、結果を出力ファイルに書き込みます。

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: Python を使った注釈と特殊テキスト

Tue, 09 Jun 2026 00:00:00 +0000

スタンプ注釈からテキストを抽出

使用テキストアブソーバーに埋め込まれたテキストを抽出するにはスタンプ注釈アピアランスストリーム。これは、スタンプの内容がプレーンテキストとして保存されるのではなく、フォーム XObject としてレンダリングされる場合に便利です。

を開きます文書.
ターゲットアノテーションには以下からアクセスしてください page.annotations.
それが次のものであることを確認してください StampAnnotationその後、通常の外観の XForm に戻します。
Xフォームをに渡す TextAbsorber.visit() 埋め込まれたテキストを抽出します。

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()

強調表示されたテキストを抽出

ページの注釈を繰り返し処理して使用するハイライト・アノテーション。get_marked_text () 各ハイライトでカバーされているテキストスパンを読むことができます。ページ・アノテーション・コレクションは 1 から始まります。

を開きます文書目的のページを選択します。
ループスルー page.annotations.
使用 is_assignable フィルタリング対象注記をハイライトインスタンス。
注釈をキャストして電話をかける get_marked_text() 強調表示されたコンテンツを取得します。

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())

上付き文字と下付き文字を抽出

上付き文字と下付き文字は、式、数式、および化合物名によく登場します。.NET 経由の Python 用の Aspose.PDF は、次の方法でこのコンテンツを抽出することをサポートしています。テキストフラグメントアブソーバーは、文字レベルのポジショニングメタデータを検出します。

を開きます文書.
を作成 TextFragmentAbsorber インスタンス。
コール document.pages[page_number].accept(absorber) ターゲットページをスキャンします。
から抽出したテキスト全体を取得する absorber.text.
結果をファイルに書き込み、文書を閉じます。

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()

テキストフラグメントを繰り返し処理して上付き文字/下付き文字を検出

フラグメント単位の検査では、繰り返し処理してください absorber.text_fragments そして読んでください text_state.superscript そして text_state.subscript それぞれにブーリアンフラグテキストフラグメント.

を開きます文書そして作成するテキストフラグメントアブソーバー.
ターゲットページのアブソーバーを受け入れて入力してください absorber.text_fragments.
各フラグメントについて、以下をお読みください。 fragment.text, fragment.text_state.superscript、および fragment.text_state.subscript.
結果を出力ファイルに書き込み、文書を閉じます。

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()