Documentation – 파이썬을 사용하여 PDF에서 텍스트 추출

Python-Net: 파이썬을 사용한 기본 텍스트 추출

Wed, 10 Jun 2026 00:00:00 +0000

PDF 문서의 모든 페이지에서 텍스트 추출

용도 텍스트 업소버 PDF 문서의 모든 페이지에서 모든 텍스트를 캡처하여 텍스트 파일에 기록합니다.이 방법은 PDF를 검색 가능한 텍스트로 변환하거나, 콘텐츠 분석을 실행하거나, 색인화 및 다운스트림 처리를 위한 텍스트를 준비하는 데 매우 적합합니다.

를 사용하여 PDF 문서 열기 문서.
만들기 TextAbsorber 예.
전화 document.pages.accept(text_absorber) 모든 페이지를 스캔합니다.
에서 추출한 텍스트 검색 text_absorber.text.
결과를 출력 텍스트 파일에 씁니다.

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)

특정 페이지에서 텍스트 추출

신청하기 텍스트 업소버 여러 페이지로 된 문서의 해당 섹션에서 텍스트를 분리하여 저장하려면 단일 페이지로 이동합니다.이는 청구서, 보고서 섹션 또는 양식 요약과 같이 한 페이지의 콘텐츠만 필요한 경우에 유용합니다.

를 사용하여 PDF 문서 열기 문서.
만들기 TextAbsorber 예.
전화 accept 대상 페이지에서: document.pages[page_number].accept(text_absorber).
추출한 텍스트를 검색하여 파일에 씁니다.

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: Python을 사용한 지역 기반 추출

Wed, 10 Jun 2026 00:00:00 +0000

페이지의 특정 영역에서 텍스트 추출

용도 텍스트 업소버 와 함께 직사각형 추출을 페이지의 특정 영역으로 제한합니다.이 방법은 머리글, 바닥글, 표 셀, 양식 필드, 청구서 또는 텍스트 위치가 미리 알려진 기타 고정 레이아웃 영역에서 영역을 기반으로 추출하는 데 유용합니다.

소스 PDF를 다음과 같이 엽니다. 문서.
만들기 TextAbsorber 예.
구성 text_search_options 추출을 직사각형으로 제한합니다.
대상 페이지에서 흡수 장치를 수락합니다.
추출한 텍스트를 출력 파일에 씁니다.

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()

단락을 반복하여 추출하기

용도 단락 흡수기 일반 페이지 텍스트 대신 단락 인식 추출이 필요한 경우와는 다릅니다 텍스트 업소버 또는 텍스트 프래그먼트 업소버, 이 API는 페이지, 섹션 및 단락별로 출력을 구성하므로 텍스트 분석, 구조화된 내보내기 및 레이아웃에 따른 처리에 유용합니다.

소스 PDF를 다음과 같이 엽니다. 문서.
만들기 ParagraphAbsorber 예.
전화 absorber.visit(document) 모든 페이지를 분석할 수 있습니다.
반복 실행 page_markups그런 다음 각 섹션과 단락을 통해
각 단락의 텍스트 조각을 읽고 결과를 파일에 씁니다.

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()

바운딩 폴리곤 렌더링으로 단락 추출

또한 사용할 수 있습니다 단락 흡수기 단락 지오메트리를 검사합니다.이 방법은 텍스트를 추출하는 것 외에도 각 섹션 사각형과 단락 다각형을 기록하는데, 이는 레이아웃 매핑, 문서 분석, 접근성 도구 또는 영역 인식 후처리에 유용합니다.

소스 PDF를 다음과 같이 엽니다. 문서.
만들기 ParagraphAbsorber 예.
대상 페이지를 방문하세요.
에서 페이지 마크업 읽기 absorber.page_markups.
섹션과 단락을 반복하여 형상과 텍스트를 캡처합니다.
사각형, 다각형, 텍스트 데이터를 출력 파일에 씁니다.

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: 여러 열로 구성된 PDF의 텍스트 추출 개선

Wed, 10 Jun 2026 00:00:00 +0000

수동으로 글꼴 크기를 줄인 다음 추출

일부 다중 열 레이아웃에서는 추출하기 전에 텍스트 조각의 글꼴 크기를 줄이면 읽기 순서를 개선하고 중복 문제를 줄일 수 있습니다.이 방법은 잡지, 연구 논문, 브로셔 또는 빽빽한 텍스트 열이 있는 보고서와 같이 형식이 엄격한 문서에 유용할 수 있습니다.

PDF를 로드합니다.
용도 텍스트 프래그먼트 업소버 텍스트 조각을 수집합니다.
각 조각의 글꼴 크기를 줄인 다음 문서를 저장하고 다시 엽니다.
용도 텍스트 업소버 텍스트를 추출합니다.
추출한 텍스트를 출력 파일에 씁니다.

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)

스케일 팩터로 텍스트 추출

다중 열 추출을 위한 또 다른 옵션은 다음과 같습니다. 텍스트 추출 옵션 스케일 팩터 포함.스케일 팩터를 조정하면 빽빽한 레이아웃, 표 또는 열 기반 문서에서 조밀하게 구성된 조각의 해석을 개선하고 읽기 순서를 더 정확하게 유지할 수 있습니다.

PDF를 로드합니다.
만들기 텍스트 업소버.
구성 TextExtractionOptions.scale_factor.
흡수 장치에 추출 옵션을 지정합니다.
페이지 텍스트를 추출하고 결과를 출력 파일에 씁니다.

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: Python을 사용한 주석 및 특수 텍스트

Wed, 10 Jun 2026 00:00:00 +0000

스탬프 주석에서 텍스트 추출

용도 텍스트 업소버 에 포함된 텍스트 추출하기 스탬프 표기법 출연 스트림.이는 스탬프 내용을 일반 텍스트로 저장하지 않고 XObject 형식으로 렌더링할 때 유용합니다.

를 여십시오 문서.
에서 대상 주석에 액세스할 수 있습니다. page.annotations.
인지 확인 StampAnnotation그런 다음 XForm의 정상적인 모습을 검색합니다.
XForm을 다음으로 전달 TextAbsorber.visit() 포함된 텍스트를 추출합니다.

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()

강조 표시된 텍스트 추출

페이지 주석을 반복하고 사용하세요 주석을 강조 표시합니다. get_Marked_text () 각 하이라이트에 포함된 텍스트 범위를 읽을 수 있습니다.페이지 주석 컬렉션은 1부터 시작합니다.

를 여십시오 문서 대상 페이지를 선택합니다.
루프 스루 page.annotations.
용도 is_assignable 필터링 대상 하이라이트 주석 사례.
주석 전송 및 전화 걸기 get_marked_text() 강조 표시된 콘텐츠를 검색합니다.

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())

위 첨자 및 아래 첨자 텍스트 추출

위 첨자와 아래 첨자는 공식, 수학 표현식 및 화합물 이름에 자주 나타납니다..NET을 통한 파이썬용 Aspose.PDF 기능은 다음을 통해 이 내용을 추출할 수 있도록 지원합니다. 텍스트 프래그먼트 업소버, 문자 수준의 위치 지정 메타데이터를 탐지합니다.

를 여십시오 문서.
만들기 TextFragmentAbsorber 예.
전화 document.pages[page_number].accept(absorber) 대상 페이지를 스캔합니다.
에서 전체 추출된 텍스트 검색 absorber.text.
결과를 파일에 쓰고 문서를 닫습니다.

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()

텍스트 조각을 반복하여 위 첨자/아래 첨자 감지

프래그먼트별 검사의 경우 반복 반복 absorber.text_fragments 그리고 읽어보세요 text_state.superscript 과 text_state.subscript 각각의 부울 플래그 텍스트 프래그먼트.

를 여십시오 문서 그리고 생성하십시오 텍스트 프래그먼트 업소버.
대상 페이지의 흡수 장치를 수락하여 채웁니다. absorber.text_fragments.
각 프래그먼트에 대해 읽어보십시오. fragment.text, fragment.text_state.superscript, 및 fragment.text_state.subscript.
결과를 출력 파일에 기록하고 문서를 닫습니다.

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()