在現代辦公環境中，PDF 文件作為一種通用的文檔格式被廣泛使用。無論是合同、報告還是電子書，很多重要信息都儲存於 PDF 文件中。因此，從 PDF 文件中提取文本數據的需求也逐漸增加。本文將為大家介紹如何使用 Spire.PDF for Python 來實現這一功能，具體包括從某一頁和從指定區域提取文本。

1. 環境準備

首先，確保你已經安裝了 Python 和 Spire.PDF 的相關庫。你可以通過以下命令安裝 Spire.PDF：

pip install Spire.PDF

2. 從指定頁面提取文本

2.1 代碼示例

以下代碼展示瞭如何從 PDF 文檔中的特定頁（例如第2頁）提取文本：

from spire.pdf.common import *
from spire.pdf import *

# 創建一個 PdfDocument 對象
doc = PdfDocument()

# 加載 PDF 文檔
doc.LoadFromFile('C:/Users/Administrator/Desktop/Terms of service.pdf')

# 創建 PdfTextExtractOptions 對象並啓用全文本提取
extractOptions = PdfTextExtractOptions()
# 提取所有文本，包括空格
extractOptions.IsExtractAllText = True

# 獲取特定的頁面（例如，第2頁）
page = doc.Pages.get_Item(1)

# 創建 PdfTextExtractor 對象
textExtractor = PdfTextExtractor(page)

# 從頁面中提取文本
text = textExtractor.ExtractText(extractOptions)

# 使用 UTF-8 編碼將提取的文本寫入文件
withopen('output/TextOfPage.txt', 'w', encoding='utf-8') as file:
    file.write(text)

2.2 代碼解析

1. 創建 PdfDocument 對象 ：這一步是加載 PDF 文件的第一步。
2. 加載 PDF 文檔 ：使用指定路徑加載你要處理的 PDF 文件。
3. 配置提取選項 ：通過設置 IsExtractAllText 為 True，確保提取所有文本，包括空格。
4. 獲取特定頁面 ：doc.Pages.get_Item(1) 獲取的是 PDF 的第二頁（索引從0開始）。
5. 創建文本提取器並提取文本 ：使用 PdfTextExtractor 對象來提取文本。
6. 將提取的文本保存為文件 ：最終將文本內容保存到指定路徑的文件中。

3. 從指定區域提取文本

有時候，僅提取 PDF 中的某一特定區域的文本更加有效。這可以通過定義一個矩形區域來實現。

3.1 代碼示例

以下代碼將展示如何從 PDF 的指定區域提取文本：

from spire.pdf.common import *
from spire.pdf import *

# 創建一個 PdfDocument 對象
doc = PdfDocument()

# 加載 PDF 文檔
doc.LoadFromFile('C:/Users/Administrator/Desktop/Terms of service.pdf')

# 獲取特定的頁面（例如，第2頁）
page = doc.Pages.get_Item(1)

# 創建 PdfTextExtractor 對象
textExtractor = PdfTextExtractor(page)

# 創建 PdfTextExtractOptions 對象
extractOptions = PdfTextExtractOptions()

# 定義提取的矩形區域
# RectangleF(left, top, width, height)
extractOptions.ExtractArea = RectangleF(0.0, 100.0, 890.0, 80.0)

# 從指定區域提取文本，保留空格
text = textExtractor.ExtractText(extractOptions)

# 使用 UTF-8 編碼將提取的文本寫入文件
withopen('output/TextOfRectangle.txt', 'w', encoding='utf-8') as file:
    file.write(text)

3.2 代碼解析

1. 加載 PDF 文件 ：與之前相同，首先加載 PDF 文檔。
2. 獲取特定頁面 ：依然使用 doc.Pages.get_Item(1) 來獲取第2頁。
3. 定義提取區域 ：通過 RectangleF 類來定義一個矩形區域，該區域的左上角座標為 (0, 100)，寬度為 890，高度為 80。
4. 執行文本提取 ：然後使用 ExtractText 方法從指定區域提取文本。
5. 保存文本 ：最後，提取的文本同樣保存為 UTF-8 編碼的文件。

結論

通過以上方法，我們可以方便地從 PDF 文檔中提取所需的文本信息。Spire.PDF for Python 提供的 API 簡潔高效，能夠滿足多種文本提取需求。不論是從全頁提取還是從特定區域提取，在實際工作中都能顯著提高效率，尤其對於需要處理大量 PDF 文件的場合，使用此工具將使你事半功倍。

希望這篇博客能夠幫助你更好地理解如何使用 Python 提取 PDF 文本，讓你的工作更輕鬆高效！