Documentation – Извлечение текста из PDF с помощью Python

Python-Net: Извлечение текста базовым способом с помощью Python

Wed, 05 Nov 2025 00:00:00 +0000

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.

Откройте PDF-документ с помощью Document.
Создайте экземпляр TextAbsorber.
Вызовите document.pages.accept(text_absorber), чтобы обработать все страницы.
Получите извлечённый текст из text_absorber.text.
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.

Откройте PDF-документ с помощью Document.
Создайте экземпляр TextAbsorber.
Вызовите accept для целевой страницы: document.pages[page_number].accept(text_absorber).
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.

Откройте исходный PDF как Document.
Создайте экземпляр ParagraphAbsorber.
Вызовите absorber.visit(document), чтобы проанализировать все страницы.
Переберите page_markups, затем каждый раздел и абзац.
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 paragraphвЂ™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-Net: Извлечение текста в заданной области с помощью Python

Thu, 16 Apr 2026 00:00:00 +0000

Извлечение текста из определённой области страницы

Используйте TextAbsorber вместе с Rectangle, чтобы ограничить извлечение конкретной областью страницы. Такой подход полезен для зонального извлечения из верхних и нижних колонтитулов, ячеек таблиц, полей форм, счетов и других участков фиксированного макета, где положение текста заранее известно.

Откройте исходный PDF как Document.
Создайте экземпляр TextAbsorber.
Настройте text_search_options, чтобы ограничить извлечение прямоугольной областью.
Примените поглотитель к целевой странице.
Запишите извлечённый текст в выходной файл.

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()

Извлечение абзацев с визуализацией ограничивающего многоугольника

Вы также можете использовать ParagraphAbsorber, чтобы анализировать геометрию абзацев. Помимо извлечения текста, этот подход фиксирует прямоугольник каждого раздела и многоугольник каждого абзаца, что полезно для картирования макета, анализа документов, средств доступности и постобработки с учётом области.

Откройте исходный PDF как Document.
Создайте экземпляр ParagraphAbsorber.
Обработайте целевую страницу.
Прочитайте разметку страницы из absorber.page_markups.
Переберите разделы и абзацы, чтобы получить геометрию и текст.
Запишите данные о прямоугольнике, многоугольнике и тексте в выходной файл.

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: Извлечение текста из многоколоночных PDF

Thu, 16 Apr 2026 00:00:00 +0000

Уменьшение размера шрифта вручную перед извлечением

В некоторых многоколоночных макетах уменьшение размера шрифта текстовых фрагментов перед извлечением может улучшить порядок чтения и уменьшить проблемы с наложением. Этот приём помогает при работе с плотно оформленными документами, например журналами, научными статьями, брошюрами или отчётами с насыщенными текстовыми колонками.

Загрузите PDF.
Используйте TextFragmentAbsorber, чтобы собрать текстовые фрагменты.
Уменьшите размер шрифта каждого фрагмента, затем сохраните и повторно откройте документ.
Используйте TextAbsorber, чтобы извлечь текст.
Запишите извлечённый текст в выходной файл.

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)

Извлечение текста с коэффициентом масштабирования

Ещё один вариант для извлечения из многоколоночных документов — настроить TextExtractionOptions с коэффициентом масштабирования. Изменение scale_factor может улучшить интерпретацию плотно расположенных фрагментов и помочь сохранить более точный порядок чтения в насыщенных макетах, таблицах и документах с колонками.

Загрузите PDF.
Создайте TextAbsorber.
Настройте TextExtractionOptions.scale_factor.
Присвойте параметры извлечения поглотителю.
Извлеките текст страницы и запишите результат в выходной файл.

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: Извлечение аннотаций и специального текста с помощью Python

Wed, 05 Nov 2025 00:00:00 +0000

Извлечение текста из stamp-аннотаций

Используйте TextAbsorber, чтобы извлекать текст, встроенный в поток внешнего вида StampAnnotation. Это полезно, когда содержимое штампа визуализируется как form XObject, а не хранится как обычный текст.

Откройте Document.
Получите доступ к целевой аннотации из page.annotations.
Убедитесь, что это StampAnnotation, затем получите её XForm нормального внешнего вида.
Передайте XForm в TextAbsorber.visit(), чтобы извлечь встроенный текст.

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()

Извлечение выделенного текста

Переберите аннотации страницы и используйте HighlightAnnotation.get_marked_text(), чтобы читать текстовые фрагменты, покрытые каждым выделением. Коллекция аннотаций страницы индексируется с 1.

Откройте Document и выберите целевую страницу.
Переберите page.annotations.
Используйте is_assignable, чтобы отфильтровать экземпляры HighlightAnnotation.
Приведите аннотацию к нужному типу и вызовите get_marked_text(), чтобы получить выделенное содержимое.

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())

Извлечение надстрочного и подстрочного текста

Надстрочные и подстрочные элементы часто встречаются в формулах, математических выражениях и названиях химических соединений. Aspose.PDF for Python via .NET поддерживает извлечение такого содержимого через TextFragmentAbsorber, который определяет метаданные позиционирования на уровне символов.

Откройте Document.
Создайте экземпляр TextFragmentAbsorber.
Вызовите document.pages[page_number].accept(absorber), чтобы обработать целевую страницу.
Получите полный извлечённый текст из absorber.text.
Запишите результат в файл и закройте документ.

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): 1вЂ‘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()

Переберите текстовые фрагменты для определения надстрочного и подстрочного текста

Для анализа по отдельным фрагментам переберите absorber.text_fragments и прочитайте логические флаги text_state.superscript и text_state.subscript у каждого TextFragment.

Откройте Document и создайте TextFragmentAbsorber.
Примените поглотитель к целевой странице, чтобы заполнить absorber.text_fragments.
Для каждого фрагмента прочитайте fragment.text, fragment.text_state.superscript и fragment.text_state.subscript.
Запишите результаты в выходной файл и закройте документ.

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): 1вЂ‘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()