Python을 사용한 지역 기반 추출

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.

  1. 소스 PDF를 다음과 같이 엽니다. 문서.
  2. 만들기 TextAbsorber 예.
  3. 구성 text_search_options 추출을 직사각형으로 제한합니다.
  4. 대상 페이지에서 흡수 장치를 수락합니다.
  5. 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.

  1. 소스 PDF를 다음과 같이 엽니다. 문서.
  2. 만들기 ParagraphAbsorber 예.
  3. 전화 absorber.visit(document) 모든 페이지를 분석할 수 있습니다.
  4. 반복 실행 page_markups그런 다음 각 섹션과 단락을 통해
  5. 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.

  1. 소스 PDF를 다음과 같이 엽니다. 문서.
  2. 만들기 ParagraphAbsorber 예.
  3. 대상 페이지를 방문하세요.
  4. 에서 페이지 마크업 읽기 absorber.page_markups.
  5. 섹션과 단락을 반복하여 형상과 텍스트를 캡처합니다.
  6. 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()
파이썬을 사용한 기본 텍스트 추출 여러 열로 구성된 PDF의 텍스트 추출 개선