PythonでPDFをTXTに変換する

PDF ファイルからプレーンテキストを抽出することは、データ分析、検索インデックス作成、コンテンツ移行のための頻繁な要件です。Aspose.PDF for Python via .NET は、Python で PDF を TXT に変換することを簡単にする堅牢な SDK を提供します。このガイドでは、ライブラリのセットアップ方法、完全なコード例の実行、設定オプションの検討、そして効率的で信頼性の高いテキスト抽出のためのベストプラクティスの適用方法を学びます。

PythonでPDFからテキストを抽出する手順

Aspose.PDF SDK のインストール: pip を使用してライブラリを環境に追加します。

pip install aspose-pdf

必要なクラスをインポート: Document と TextAbsorber クラスをスクリプトに取り込みます。

import aspose.pdf as ap

PDFドキュメントをロード: ソースファイルを指す Document オブジェクトを作成します。

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

TextAbsorberでテキストを抽出: TextAbsorber を初期化し、すべてのページを処理させ、テキストを取得します。

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

TextAbsorber クラスは、エンコーディングとレイアウト保持のためのプロパティを提供します。

抽出したテキストをTXTファイルに保存: 特殊文字を保持するために、UTF‑8を使用して文字列をディスクに書き込みます。

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

Aspose.PDF を使用して PDF を TXT に変換 - 完全コード例

以下の例は、最小限のエンドツーエンド実装を示しており、独自のプロジェクトに適応できます。

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")

注: このコード例は基本機能を示しています。プロジェクトで使用する前に、ファイルパス（sample.pdf、sample.txt）を実際の場所に合わせて更新し、必要な依存関係がすべて正しくインストールされていることを確認し、開発環境で徹底的にテストしてください。問題が発生した場合は、公式ドキュメントを参照するか、サポートチームにお問い合わせください。

Aspose.PDF for Python via .NET のインストールと構成

SDK は PyPI パッケージとして配布されています。公式リポジトリから最新リリースをダウンロードし、pip でインストールしてください。

pip install aspose-pdf

あなたはダウンロードページから直接ホイールをダウンロードすることもできます。ライブラリは Python 3.6 以上が必要で、製品版の使用には有効な Aspose ライセンスが必要です。

PDFからTXTへの抽出オプションの設定

以下のプロパティを調整して抽出プロセスを微調整します:

エンコーディング - 特定の文字セットを扱うために absorber.text_encoding を設定します。

absorber.text_encoding = "utf-8"

ページ範囲 - 抽出をページのサブセットに限定して、パフォーマンスを向上させます。

absorber.page_start = 1
absorber.page_end = 5

レイアウトを保持 - 列構造を保持したい場合は、absorber.extract_text を有効にしてレイアウト保持を行います。

absorber.extract_text = True

これらのオプションは、APIリファレンスの TextAbsorber クラスの一部です。