使用 Python 的基本文本提取

提取 PDF 文档所有页面的文本

使用 TextAbsorber 捕获 PDF 文档每一页的全部文本并将其写入文本文件。此方法非常适合将 PDF 转换为可搜索的文本、进行内容分析，或为索引和后续处理准备文本。

  1. 使用以下方法打开 PDF 文档 文档.
  2. 创建一个 TextAbsorber 实例。
  3. 调用 document.pages.accept(text_absorber) 扫描所有页面。
  4. 检索提取的文本来自 text_absorber.text.
  5. 将结果写入输出文本文件。
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)

从特定页面提取文本

应用 TextAbsorber 对单个页面进行操作，以隔离并保存多页文档中该部分的文本。这在您只需要单页内容时非常有用——例如，发票、报告章节或表单摘要。

  1. 使用以下方法打开 PDF 文档 文档.
  2. 创建一个 TextAbsorber 实例。
  3. 调用 accept 在目标页面上： document.pages[page_number].accept(text_absorber).
  4. 检索提取的文本并将其写入文件。
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)

通过遍历它们来提取段落

使用 ParagraphAbsorber 当您需要段落感知的提取而不是普通的页面文本时。不同于 TextAbsorber 或 TextFragmentAbsorber, 此 API 按页面、章节和段落组织输出，这对于文本分析、结构化导出以及布局敏感的处理非常有用。

  1. 打开源 PDF 作为 文档.
  2. 创建一个 ParagraphAbsorber 实例。
  3. 调用 absorber.visit(document) 分析所有页面。
  4. 遍历 page_markups，然后遍历每个章节和段落。
  5. 从每个段落读取文本片段，并将结果写入文件。
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()
使用 Python 的基于区域的提取