本指南包含有关如何使用 Python 从 PDF 中提取文本的信息。它包含设置环境的所有详细信息、步骤列表以及使用 Python 通过几个 API 调用从 PDF 中提取文本的示例代码。您将学习如何从一个或多个 PDF 文件中读取数据并显示从此过程返回的文本。
使用 Python 从 PDF 中抓取文本的步骤
- 设置环境以使用 Aspose.OCR for Python via .NET 读取 PDF
- 创建 AsposeOcr 对象以从 PDF 中提取文本
- 创建 OcrInput 类对象并将输入类型设置为 PDF
- 将 PDF 文件添加到输入集合
- 调用recognize（）方法从PDF集合中读取数据
- 显示返回的集合中的识别文本
这些步骤总结了使用 Python 从 PDF 文档中提取文本的过程。创建 AsposeOcr 类对象，其中包含从 PDF 和许多其他格式识别文本的方法。使用 OcrInput 类对象将输入类型设置为 PDF 并添加 PDF 文件的输入集合。最后，调用 understand() 方法并显示返回的文本。
使用 Python 从 PDF 中提取文本的代码
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
| import aspose.ocr as api | |
| from aspose.ocr import License | |
| # Instantiate a license | |
| license = License() | |
| license.set_license("License.lic") | |
| extractTextFromPDF = api.AsposeOcr() | |
| pdfDatas = api.OcrInput(api.InputType.PDF) | |
| pdfDatas.add("sample.pdf") | |
| textFromPdf = extractTextFromPDF.recognize(pdfDatas) | |
| length = textFromPdf.length | |
| for i in range(length): | |
| print(textFromPdf[i].recognition_text) |
此代码演示了如何使用 Python 开发 PDF OCR 阅读器。AsposeOcr 类包含许多属性和方法来自定义识别过程，例如您可以计算倾斜度、更正检测到的文本中的拼写以及检测矩形。如果您添加多个 PDF 文件，则 PDF 中的所有文本都将作为字符串集合返回，可以通过迭代返回的集合来显示这些字符串。
本文教了我们从 PDF 中提取文本的过程。要从图像中提取文本，请参阅 使用 Python 从图像中提取文本 上的文章。
