แปลง PDF เป็น TXT ด้วย Python

การสกัดข้อความธรรมดาจากไฟล์ PDF เป็นความต้องการที่พบบ่อยสำหรับการวิเคราะห์ข้อมูล, การทำดัชนีการค้นหา, และการย้ายเนื้อหา. Aspose.PDF for Python via .NET มี SDK ที่แข็งแกร่งซึ่งทำให้การแปลง PDF เป็น TXT ใน Python เป็นเรื่องง่าย. ในคู่มือนี้คุณจะได้เรียนรู้วิธีตั้งค่าห้องสมุด, เดินผ่านตัวอย่างโค้ดเต็มรูปแบบ, สำรวจตัวเลือกการกำหนดค่า, และนำแนวปฏิบัติที่ดีที่สุดไปใช้เพื่อการสกัดข้อความที่มีประสิทธิภาพและเชื่อถือได้.

ขั้นตอนการดึงข้อความจาก PDF ด้วย Python

ติดตั้ง Aspose.PDF SDK: ใช้ pip เพื่อติดตั้งไลบรารีในสภาพแวดล้อมของคุณ.

pip install aspose-pdf

นำเข้าคลาสที่จำเป็น: นำคลาส Document และ TextAbsorber เข้าสู่สคริปต์ของคุณ.

import aspose.pdf as ap

โหลดเอกสาร PDF: สร้างอ็อบเจ็กต์ Document ที่ชี้ไปยังไฟล์ต้นฉบับของคุณ.

doc = ap.Document("sample.pdf")

Extract text with TextAbsorber: เริ่มต้น TextAbsorber, ให้มันประมวลผลทุกหน้า, และดึงข้อความออกมา.

absorber = ap.TextAbsorber()
doc.pages.accept(absorber)
extracted_text = absorber.text

คลาส TextAbsorber มีคุณสมบัติสำหรับการเข้ารหัสและการรักษาเค้าโครง.

บันทึกข้อความที่สกัดออกเป็นไฟล์ TXT: เขียนสตริงลงดิสก์โดยใช้ UTF‑8 เพื่อรักษาอักขระพิเศษให้คงเดิม.

with open("output.txt", "w", encoding="utf-8") as txt_file:
    txt_file.write(extracted_text)

แปลง PDF เป็น TXT ด้วย Aspose.PDF - ตัวอย่างโค้ดเต็ม

ตัวอย่างต่อไปนี้แสดงการนำไปใช้แบบครบวงจรอย่างง่ายที่สุดซึ่งคุณสามารถปรับใช้ในโครงการของคุณเองได้.

import aspose.pdf as ap

def convert_pdf_to_txt(input_path: str, output_path: str):
    # Load the PDF document
    document = ap.Document(input_path)

# Create a TextAbsorber to extract text
    absorber = ap.TextAbsorber()
    document.pages.accept(absorber)

# Retrieve the extracted text
    text = absorber.text

# Write the text to a .txt file using UTF‑8 encoding
    with open(output_path, "w", encoding="utf-8") as file:
        file.write(text)

if __name__ == "__main__":
    # Example usage
    convert_pdf_to_txt("sample.pdf", "sample.txt")

หมายเหตุ: ตัวอย่างโค้ดนี้แสดงการทำงานหลักของฟังก์ชัน ก่อนนำไปใช้ในโครงการของคุณ ให้ตรวจสอบและอัปเดตเส้นทางไฟล์ (sample.pdf, sample.txt) ให้ตรงกับตำแหน่งไฟล์จริงของคุณ ตรวจสอบว่าการติดตั้ง dependencies ทั้งหมดได้ทำอย่างถูกต้องและทำการทดสอบอย่างละเอียดในสภาพแวดล้อมการพัฒนา หากพบปัญหาใด ๆ โปรดดูที่ เอกสารอย่างเป็นทางการ หรือ ติดต่อ ทีมสนับสนุน เพื่อขอความช่วยเหลือ.

การติดตั้งและกำหนดค่า Aspose.PDF for Python via .NET

SDK ถูกจัดจำหน่ายเป็นแพ็กเกจ PyPI ดาวน์โหลดรุ่นล่าสุดจากที่เก็บอย่างเป็นทางการและติดตั้งด้วย pip.

pip install aspose-pdf

คุณยังสามารถดาวน์โหลด wheel ได้โดยตรงจาก หน้าดาวน์โหลด. ไลบรารีต้องการ Python 3.6 หรือสูงกว่าและใบอนุญาต Aspose ที่ถูกต้องสำหรับการใช้งานในสภาพแวดล้อมการผลิต.

กำหนดค่าตัวเลือกการสกัดข้อมูลสำหรับ PDF เป็น TXT

ปรับแต่งกระบวนการสกัดโดยการปรับคุณสมบัติดังต่อไปนี้:

Encoding - ตั้งค่า absorber.text_encoding เพื่อจัดการชุดอักขระเฉพาะ.

absorber.text_encoding = "utf-8"

Page Range - จำกัดการสกัดให้เป็นส่วนย่อยของหน้าเพื่อเพิ่มประสิทธิภาพ.

absorber.page_start = 1
absorber.page_end = 5

รักษาเลย์เอาต์ - เปิดใช้งาน absorber.extract_text พร้อมการรักษาเลย์เอาต์หากคุณต้องการเก็บโครงสร้างคอลัมน์.

absorber.extract_text = True

ตัวเลือกเหล่านี้เป็นส่วนหนึ่งของคลาส TextAbsorber ในเอกสารอ้างอิง API.

แนวทางปฏิบัติที่ดีที่สุดสำหรับการแปลง PDF เป็น TXT ด้วย Python

ประมวลผล PDF ขนาดใหญ่แบบขั้นตอน - ดึงหน้ามาเป็นชุดแทนการโหลดเอกสารทั้งหมดเข้าสู่หน่วยความจำ
ใช้การเข้ารหัส UTF‑8 - เขียนไฟล์ผลลัพธ์ด้วย UTF‑8 เสมอเพื่อหลีกเลี่ยงการสูญเสียอักขระ โดยเฉพาะสำหรับ PDF ที่หลายภาษา
ตรวจสอบไฟล์อินพุต - ตรวจสอบว่า PDF ไม่ได้ถูกป้องกันด้วยรหัสผ่านก่อนทำการดึงข้อมูล; จัดการกับ PdfPasswordException หากจำเป็น
ปล่อยทรัพยากร - แม้ว่า garbage collector ของ Python จะจัดการวัตถุส่วนใหญ่แล้ว แต่ควรปิดสตรีมไฟล์อย่างชัดเจนเมื่อเสร็จสิ้น
บันทึกผลการดึงข้อมูล - บันทึกจำนวนหน้าที่ประมวลผลและคำเตือนใด ๆ เพื่อช่วยในการดีบักและการตรวจสอบ

สรุป

การแปลง PDF เป็น TXT ใน Python กลายเป็นเรื่องง่ายด้วย Aspose.PDF for Python via .NET. SDK จัดการกับเลย์เอาต์ที่ซับซ้อน, ตัวอักษร Unicode, และเอกสารขนาดใหญ่ พร้อมให้การควบคุมที่ละเอียดผ่าน API ของมัน. หลังจากติดตั้งแพ็กเกจและทำตามคู่มือแบบขั้นตอนต่อขั้นตอน, คุณสามารถรวมการสกัดข้อความที่เชื่อถือได้เข้าไปในแอปพลิเคชัน Python ใดก็ได้. อย่าลืมขอรับใบอนุญาตที่เหมาะสมสำหรับการใช้งานในสภาพแวดล้อมการผลิต; คุณสามารถตรวจสอบ หน้าราคา เพื่อดูตัวเลือกและรับ ใบอนุญาตชั่วคราว เพื่อประเมิน SDK ก่อนตัดสินใจ.

FAQs

ฉันจะเปลี่ยน PDF เป็น TXT ใน Python โดยใช้ Aspose.PDF ได้อย่างไร?
ใช้คลาส Document เพื่อโหลด PDF, ใช้ TextAbsorber เพื่อดึงข้อความ, และเขียน absorber.text ไปยังไฟล์ .TXT. ตัวอย่างโค้ดเต็มที่แสดงด้านบนอธิบายขั้นตอนการทำงานนี้.
ถ้า PDF ของฉันมีรูปภาพหรือหน้าที่สแกนไว้จะเป็นอย่างไร?
TextAbsorber จะดึงเฉพาะข้อความที่เลือกได้เท่านั้น สำหรับ PDF ที่สแกนไว้ ให้รวม Aspose.PDF กับ Aspose.OCR for Python via .NET เพื่อทำ OCR ก่อนการดึงข้อมูล
ฉันสามารถแปลงหลาย PDF พร้อมกันเป็นชุดได้หรือไม่?
ใช่. วางตรรกะการแปลงภายในลูปที่วนซ้ำผ่านรายการของเส้นทางไฟล์ ปรับการตั้งค่า TextAbsorber ตามที่ต้องการสำหรับแต่ละเอกสาร.
ต้องมีใบอนุญาตสำหรับโครงการเชิงพาณิชย์หรือไม่?
จำเป็นต้องใช้เวอร์ชันที่มีใบอนุญาตของ Aspose.PDF for Python via .NET สำหรับการใช้งานในสภาพแวดล้อมการผลิต ใบอนุญาตชั่วคราวมีให้สำหรับการทดสอบ และสามารถดูรายละเอียดราคาได้ที่ หน้าราคา

ขั้นตอนการดึงข้อความจาก PDF ด้วย Python#

แปลง PDF เป็น TXT ด้วย Aspose.PDF - ตัวอย่างโค้ดเต็ม#

การติดตั้งและกำหนดค่า Aspose.PDF for Python via .NET#

กำหนดค่าตัวเลือกการสกัดข้อมูลสำหรับ PDF เป็น TXT#

แนวทางปฏิบัติที่ดีที่สุดสำหรับการแปลง PDF เป็น TXT ด้วย Python#

สรุป#

FAQs#

อ่านเพิ่มเติม#