皆さんは PDF が何であるかをよく知っているはずです。実際、これらは最も重要で広く使用されているデジタル メディアの 1 つです。 PDF の略 ポータブルドキュメントフォーマット 。それは使用しています .pdf 拡大。ソフトウェア、ハードウェア、オペレーティング システムに依存せず、ドキュメントを確実に提示および交換するために使用されます。
2 つの Python ライブラリを使用して PDF ファイルからテキストを抽出します。 pypdf そして PyMuPDF 、 記事上で。
pypdf ライブラリを使用して PDF ファイルからテキストを抽出します。
Pythonパッケージ pypdf 必要なこと (テキスト抽出) を達成するために使用できますが、必要以上のことを行うこともできます。このパッケージは、PDF ファイルの生成、復号化、結合にも使用できます。 注記： 詳細については、以下を参照してください。 Python で PDF ファイルを操作する
インストール
このパッケージをインストールするには、ターミナルで次のコマンドを入力します。
pip install pypdf>
例： PDF を入力: 
Python3
レカ年齢
# importing required modules> from> pypdf>import> PdfReader> > # creating a pdf reader object> reader>=> PdfReader(>'example.pdf'>)> > # printing number of pages in pdf file> print>(>len>(reader.pages))> > # getting a specific page from the pdf file> page>=> reader.pages[>0>]> > # extracting text from page> text>=> page.extract_text()> print>(text)> |
>
>
出力：
上記のコードをいくつかの部分に分けて理解してみましょう。
reader = PdfReader('example.pdf')> - のオブジェクトを作成しました PDFリーダー からのクラス pypdf モジュール。
- の PDFリーダー クラスは、PDF ファイルへのパスの必須の位置引数を受け取ります。
print(len(reader.pages))>
- ページ プロパティは次のリストを与えます ページオブジェクト 。したがって、ここでは組み込みの のみ（） PDFファイルのページ数を取得するPythonの関数。
page = reader.pages[0]>
- さて、として リーダーページ のリストです ページオブジェクト 、特定の情報を取得できます ページ ページのインデックスをタップして PDF を開きます。 Pythonのリストではインデックスは0から始まるので、 リーダー.ページ[0] PDF ファイルの最初のページが表示されます。
text = page.extract_text() print(text)>
- ページオブジェクトには機能があります 抽出テキスト() PDF ページからテキストを抽出します。
PyMuPDF ライブラリを使用して PDF ファイルからテキストを抽出します。
PyMuPDF は、XPS、PDF、CBR、CBZ などのファイル形式をサポートする Python ライブラリです。ただし、今のところ、この記事では PDF (Portable Document Format) ファイルに焦点を当てます。
リストノードJava
インストール
pip install pymupdf pip install fitz>
PDF からテキストを抽出するには、次の手順に従う必要があります。
- ライブラリのインポート
- 文書を開く
- テキストの抽出
注記： ここではsample.pdfを使用しています。 PDF を入手するには、以下のリンクを使用してください。
サンプル.pdf – リンク
1. ライブラリのインポート
Python3
import> fitz> |
>
>
2. 文書を開く
Python3
文字列をJSON Javaに変換します
doc>=> fitz.>open>(>'sample.pdf'>)> |
>
>
ここでは、というオブジェクトを作成しました。 博士 、ファイル名は Python 文字列である必要があります。
3. テキストの抽出
int を文字列に変換する
Python3
for> page>in> doc:> >text>=> page.get_text()> >print>(text)> |
>
>
ここでは、PDF 内のページを反復処理し、 get_text() ファイルから各ページを抽出するメソッド。
テキストを抽出するためのすべてのコード
Python3
import> fitz> doc>=> fitz.>open>(>'sample.pdf'>)> text>=> ''> for> page>in> doc:> >text>+>=>page.get_text()> print>(text)> |
>
一年を四半期に分けて
>
出力：
結論
2 つの Python ライブラリを見てきました。 pypdf そして PyMuPDF , PDF ファイルからテキストを抽出できます。上記 2 つのライブラリからお好みのライブラリをコメントしてください。