在 Python 中搜索并提取 PDF 文本

从 PDF 中搜索文本

使用 … 在 PDF 文档中搜索并提取定义的矩形区域的文本 TextAbsorber 类。它使用纯文本格式模式，以获得干净、未格式化的输出，这对于从结构化区域（如页眉、页脚或表格区域）提取内容非常有用。通过组合 TextExtractionOptions 和 TextSearchOptions 使用矩形约束，您可以控制文本的提取位置和方式。

当您需要审计 PDF 文本内容、提取用于分析的文本，或检查匹配文本片段的位置和格式时，请使用此页面。

1. 使用 ‘ap.Document’ 加载 PDF 文件。
2. 配置文本提取选项。
3. 使用矩形约束定义搜索区域。
4. 创建并配置 TextAbsorber。
5. 处理文档中的所有页面。
6. 检索并显示提取的文本。

import io
import sys
import shutil
import aspose.pdf as ap
import aspose.pydrawing as drawing
from os import path

def text_absorber_search(input_file_path):
    # Open PDF document
    document = ap.Document(input_file_path)

    text_extraction_options = ap.text.TextExtractionOptions(
        ap.text.TextExtractionOptions.TextFormattingMode.PURE
    )
    text_search_options = ap.text.TextSearchOptions(ap.Rectangle(0, 0, 842, 250, True))

    absorber = ap.text.TextAbsorber(text_extraction_options, text_search_options)

    # Process all pages
    document.pages.accept(absorber)

    print(f"Text fragments found: {absorber.text}")

从特定 PDF 页面搜索文本

使用 Aspose.PDF 的 TextAbsorber 在 PDF 中搜索并提取特定页面和区域的文本。它针对文档的第 2 页，只提取在定义的矩形区域内找到的文本。 通过结合 TextExtractionOptions（用于格式控制）和 TextSearchOptions（用于区域限制），您可以高效地执行精确的、针对特定页面的文本提取。

1. 加载 PDF 文档。
2. 设置文本提取选项。
3. 将文本提取限制在页面的特定矩形区域。
4. 创建并配置 TextAbsorber。
5. 处理特定页面。
6. 检索并显示提取的文本。

import io
import sys
import shutil
import aspose.pdf as ap
import aspose.pydrawing as drawing
from os import path

def text_absorber_search_page(input_file_path):
    document = ap.Document(input_file_path)

    text_extraction_options = ap.text.TextExtractionOptions(
        ap.text.TextExtractionOptions.TextFormattingMode.PURE
    )
    text_search_options = ap.text.TextSearchOptions(ap.Rectangle(0, 0, 842, 250, True))

    absorber = ap.text.TextAbsorber(text_extraction_options, text_search_options)

    # Only page 2
    document.pages[2].accept(absorber)

    print(f"Text fragments found: {absorber.text}")

分析并提取 PDF 中的详细文本片段属性

与提取原始文本的 TextAbsorber 不同，TextFragmentAbsorber 提供关于每个文本片段的详细低层信息——例如其位置、字体属性、颜色以及嵌入细节。

1. 加载 PDF 文档。
2. 初始化 TextFragmentAbsorber。
3. 处理文档中的所有页面。
4. 遍历提取的文本片段。
5. 打印基本文本信息。
6. 打印字体和格式详情。

import io
import sys
import shutil
import aspose.pdf as ap
import aspose.pydrawing as drawing
from os import path

def text_fragment_absorber_search(input_file_path):
    document = ap.Document(input_file_path)

    absorber = ap.text.TextFragmentAbsorber()
    document.pages.accept(absorber)

    for fragment in absorber.text_fragments:
        print("Text:", fragment.text)
        print("Position:", fragment.position)
        print("XIndent:", fragment.position.x_indent)
        print("YIndent:", fragment.position.y_indent)
        print("Font - Name:", fragment.text_state.font.font_name)
        print("Font - IsAccessible:", fragment.text_state.font.is_accessible)
        print("Font - IsEmbedded:", fragment.text_state.font.is_embedded)
        print("Font - IsSubset:", fragment.text_state.font.is_subset)
        print("Font Size:", fragment.text_state.font_size)
        print("Foreground Color:", fragment.text_state.foreground_color)

在单个 PDF 页面上搜索特定文本短语

使用 TextFragmentAbsorber 在 PDF 文档的单页中搜索特定文本短语。不同于搜索整个文档，这种方法仅限制在单页内进行搜索，从而更高效地确认文本在诸如页眉、页脚或特定内容区域等目标区域中的存在和位置。

1. 加载 PDF 文档。
2. 使用搜索短语初始化 TextFragmentAbsorber。
3. 将 Absorber 应用于特定页面。
4. 遍历找到的片段。

import io
import sys
import shutil
import aspose.pdf as ap
import aspose.pydrawing as drawing
from os import path

def text_fragment_absorber_search_page(input_file_path):
    document = ap.Document(input_file_path)

    absorber = ap.text.TextFragmentAbsorber("whale")
    document.pages[2].accept(absorber)

    for fragment in absorber.text_fragments:
        print("Text:", fragment.text)
        print("Position:", fragment.position)

逐页顺序文本搜索及累计结果

使用 Aspose.PDF 的 TextFragmentAbsorber 在 PDF 文档的多页中逐步搜索文本。 不同于单页或全文件搜索，这种方法允许您按顺序处理页面，逐步收集结果，并在页面特定的上下文中分析文本片段。此方法非常适合大型文档或渐进式处理工作流。

1. 加载 PDF 文档。
2. 初始化 TextFragmentAbsorber 并设置搜索短语。
3. 处理首页。仅搜索第 1 页。打印文本、页码和位置。提供单独的页面特定结果以确保清晰。
4. 顺序处理下一页。转到第2页，并可选择继续处理文档的其余部分。\u0027absorber.visit()\u0027 确保累积所有已访问页面的结果。打印累计的搜索结果，显示文本和位置。

import io
import sys
import shutil
import aspose.pdf as ap
import aspose.pydrawing as drawing
from os import path

def text_fragment_absorber_sequential_search(input_file_path):
    document = ap.Document(input_file_path)

    absorber = ap.text.TextFragmentAbsorber()
    absorber.phrase = "whale"

    # First page
    document.pages[1].accept(absorber)
    for fragment in absorber.text_fragments:
        print("Text:", fragment.text)
        print("Page:", fragment.page.number)
        print("Position:", fragment.position)

    print("--")

    # Continue to next page
    document.pages[2].accept(absorber)
    absorber.visit(document)

    for fragment in absorber.text_fragments:
        print("Text:", fragment.text)
        print("Page:", fragment.page.number)
        print("Position:", fragment.position)

在矩形区域内的目标短语搜索

在 PDF 中搜索特定短语，同时将搜索限制在单页的特定矩形区域内。 通过将短语搜索与空间约束相结合，您可以在指定区域精确定位内容，而无需扫描整页或整份文档。这对于表单、页眉、页脚或内容出现在可预测位置的结构化报告尤为有用。

1. 加载 PDF 文档。
2. 使用 Phrase 和 Rectangular Constraints 初始化 TextFragmentAbsorber
3. 将吸收器应用于第2页。将处理限制在第2页，以减少不必要的计算。确保搜索针对特定页面。
4. 遍历找到的片段并打印

import io
import sys
import shutil
import aspose.pdf as ap
import aspose.pydrawing as drawing
from os import path

def text_fragment_absorber_search_phrase(input_file_path):
    document = ap.Document(input_file_path)

    absorber = ap.text.TextFragmentAbsorber(
        "elephant", ap.text.TextSearchOptions(ap.Rectangle(0, 0, 842, 250, True))
    )

    document.pages[2].accept(absorber)

    for fragment in absorber.text_fragments:
        print("Text:", fragment.text)
        print("Position:", fragment.position)

使用正则表达式在 PDF 中进行文本模式搜索

使用正则表达式在 PDF 中搜索文本模式。通过在 TextFragmentAbsorber 中启用正则模式，您可以定位诸如数字、日期、价格、坐标或自定义文本格式等复杂模式。该函数将搜索限制在特定页面上，使针对结构化数据的提取更高效。

1. 加载 PDF 文档。
2. 使用正则表达式模式初始化 TextFragmentAbsorber。
3. 将吸收器应用于第2页。为提高效率和精确度，将搜索限制在第2页。仅分析此页上的文本。
4. 遍历已找到的片段。打印匹配的文本片段及其坐标。为提取的模式提供精确的位置信息。

import io
import sys
import shutil
import aspose.pdf as ap
import aspose.pydrawing as drawing
from os import path

def text_fragment_absorber_search_regex(input_file_path):
    document = ap.Document(input_file_path)

    absorber = ap.text.TextFragmentAbsorber(
        r"\d+\.\d+", ap.text.TextSearchOptions(is_regular_expression_used=True)
    )

    document.pages[2].accept(absorber)

    for fragment in absorber.text_fragments:
        print("Text:", fragment.text)
        print("Position:", fragment.position)

使用 TextFragmentAbsorber 将文本匹配转换为 PDF 超链接

在 PDF 中搜索特定的文本短语并将其转换为可点击的超链接。使用带有正则表达式模式的 TextFragmentAbsorber，它定位目标词并应用视觉样式（颜色和下划线）以及交互式链接。

1. 加载 PDF 文档。
2. 使用正则表达式模式初始化 TextFragmentAbsorber。
3. 将 Absorber 应用于第 1 页。
4. 为匹配项设置样式并添加超链接。
5. 保存已修改的 PDF。

import io
import sys
import shutil
import aspose.pdf as ap
import aspose.pydrawing as drawing
from os import path

def text_fragment_absorber_search_and_add_hyperlink(input_file_path):
    document = ap.Document(input_file_path)

    absorber = ap.text.TextFragmentAbsorber("whale|elephant")
    absorber.text_search_options = ap.text.TextSearchOptions(True)

    absorber.visit(document.pages[1])

    for fragment in absorber.text_fragments:
        fragment.text_state.foreground_color = ap.Color.blue
        fragment.text_state.underline = True
        fragment.hyperlink = ap.WebHyperlink(
            f"https://en.wikipedia.org/wiki/{fragment.text}"
        )

    output = input_file_path.replace("in.pdf", "out.pdf")
    document.save(output)

使用 TextFragmentAbsorber 在 PDF 中搜索和识别样式化文本

在 PDF 中基于格式属性而不是内容搜索文本片段。使用 TextFragmentAbsorber，它可以识别具有特定样式的文本，例如粗体文本。

1. 加载 PDF 文档。
2. 初始化 TextFragmentAbsorber。
3. 将 Absorber 应用于第 1 页。
4. 根据格式检查文本片段。检查字体样式是否为粗体。

import io
import sys
import shutil
import aspose.pdf as ap
import aspose.pydrawing as drawing
from os import path

def text_fragment_absorber_search_styled_text(input_file_path):
    document = ap.Document(input_file_path)

    absorber = ap.text.TextFragmentAbsorber()
    absorber.text_search_options = ap.text.TextSearchOptions(True)

    absorber.visit(document.pages[1])

    for fragment in absorber.text_fragments:
        if fragment.text_state.font_style == ap.text.FontStyles.BOLD:
            print(f"Bold: {fragment.text}")
        if fragment.text_state.invisible:
            print(f"Invisible: {fragment.text}")

PDF 页面中的可视文本高亮

此功能将文本识别与渲染合并为单一工作流程。它不仅提取文本，还通过在每页的 PNG 图像上用彩色矩形高亮显示片段、段落和字符来可视化它们。

我们的示例通过以下方式对 PDF 执行高级文本可视化：

• 使用正则表达式搜索所有可见的文本片段
• 将每个 PDF 页面渲染为高分辨率 PNG 图像
• 在文本片段、文本段以及单个字符周围绘制彩色矩形

1. 设置输出图像分辨率。每个 PDF 页面均转换为 150 DPI 的 PNG 图像。
2. 打开 PDF 并初始化 Text Absorber。
3. 处理每一页。将吸收器应用于每一页。收集所有检测到的文本片段及其几何位置。
4. 将页面转换为 PNG 流。
5. 为绘图准备图形对象。
6. 应用坐标变换。将 PDF 坐标转换为图像像素。
7. 为文本元素绘制矩形。
8. 保存结果。

import io
import sys
import shutil
import aspose.pdf as ap
import aspose.pydrawing as drawing
from os import path

def text_fragment_absorber_search_and_highlight(infile):
    resolution = 150
    png_device = ap.devices.PngDevice(ap.devices.Resolution(resolution, resolution))

    # Open PDF document
    document = ap.Document(infile)
    absorber = ap.text.TextFragmentAbsorber(r"[\S]+")
    absorber.text_search_options.is_regular_expression_used = True

    for page in document.pages:
        page.accept(absorber)
        stream = io.BytesIO()
        png_device.process(page, stream)
        with drawing.Bitmap.from_stream(stream) as bmp:
            with drawing.Graphics.from_image(bmp) as gr:
                scale = resolution / 72
                gr.transform = drawing.drawing2d.Matrix(
                    float(scale),
                    float(0),
                    float(0),
                    float(-scale),
                    float(0),
                    float(bmp.height),
                )
                text_fragment_collection = absorber.text_fragments
                # Loop through the fragments
                for text_fragment in text_fragment_collection:
                    gr.draw_rectangle(
                        drawing.Pens.yellow,
                        float(text_fragment.position.x_indent),
                        float(text_fragment.position.y_indent),
                        float(text_fragment.rectangle.width),
                        float(text_fragment.rectangle.height),
                    )
                    for seg_num in range(1, len(text_fragment.segments) + 1):
                        segment = text_fragment.segments[seg_num]
                        for char_num in range(1, len(segment.characters) + 1):
                            character_info = segment.characters[char_num]
                            rect = page.get_page_rect(True)
                            print(
                                f"TextFragment = {text_fragment.text}"
                                + f" Page URY = {rect.ury}"
                                + f" TextFragment URY = {text_fragment.rectangle.ury}"
                            )
                            gr.draw_rectangle(
                                drawing.Pens.black,
                                float(character_info.rectangle.llx),
                                float(character_info.rectangle.lly),
                                float(character_info.rectangle.width),
                                float(character_info.rectangle.height),
                            )
                        gr.draw_rectangle(
                            drawing.Pens.green,
                            float(segment.rectangle.llx),
                            float(segment.rectangle.lly),
                            float(segment.rectangle.width),
                            float(segment.rectangle.height),
                        )

                # Save result
                bmp.save(
                    infile.replace("_in.pdf", str(page.number) + "_out.png"),
                    drawing.imaging.ImageFormat.png,
                )

相关文本主题

• 使用 Python 在 PDF 中处理文本
• 通过 Python 替换 PDF 中的文本
• 在 Python 中为 PDF 文本添加工具提示
• 向 PDF 添加文本