Извлечение текста базовым способом с помощью Python

Извлечение текста со всех страниц PDF-документа

Используйте TextAbsorber, чтобы собрать весь текст со всех страниц PDF-документа и записать его в текстовый файл. Этот подход хорошо подходит для преобразования PDF в пригодный для поиска текст, анализа содержимого или подготовки данных для индексирования и последующей обработки.

1. Откройте PDF-документ с помощью Document.
2. Создайте экземпляр TextAbsorber.
3. Вызовите document.pages.accept(text_absorber), чтобы обработать все страницы.
4. Получите извлечённый текст из text_absorber.text.
5. Запишите результат в выходной текстовый файл.

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)

Извлечение текста с определённой страницы

Примените TextAbsorber к одной странице, чтобы изолировать и сохранить текст из нужной части многостраничного документа. Это полезно, когда содержимое требуется только с одной страницы, например из счёта, раздела отчёта или сводки формы.

1. Откройте PDF-документ с помощью Document.
2. Создайте экземпляр TextAbsorber.
3. Вызовите accept для целевой страницы: document.pages[page_number].accept(text_absorber).
4. Получите извлечённый текст и запишите его в файл.

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)

Извлечение абзацев с помощью их перебора

Используйте ParagraphAbsorber, если вам нужно извлечение с учётом структуры абзацев, а не только плоский текст страницы. В отличие от TextAbsorber и TextFragmentAbsorber, этот API организует результат по страницам, разделам и абзацам, что удобно для текстового анализа, структурированного экспорта и обработки с учётом макета.

1. Откройте исходный PDF как Document.
2. Создайте экземпляр ParagraphAbsorber.
3. Вызовите absorber.visit(document), чтобы проанализировать все страницы.
4. Переберите page_markups, затем каждый раздел и абзац.
5. Прочитайте текстовые фрагменты каждого абзаца и запишите результат в файл.

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()