Cara Mengekstrak Data dari PDF menggunakan Python
Anda mungkin perlu mengekstrak data dari dokumen PDF atau Word menggunakan templat yang ditentukan pengguna. Anda dapat mengurai dokumen apa pun dan mengekstrak bidang dan data tabel secara terprogram di cloud. Artikel ini akan menjelaskan cara mengekstrak data tertentu dari dokumen PDF menggunakan REST API dengan Python.
Topik-topik berikut akan dibahas dalam artikel ini:
- Document Parser REST API dan Python SDK
- Ekstrak Data dengan Objek Templat menggunakan Python
- Ekstrak Data dengan File Templat menggunakan Python
Document Parser REST API dan Python SDK
Untuk mem-parsing dokumen PDF dan mengekstrak data berdasarkan template, saya akan menggunakan Python SDK of GroupDocs.Parser Cloud API. Ini memungkinkan Anda untuk mengurai data dari semua jenis dokumen populer seperti dokumen PDF, dokumen Microsoft Office, dan format file OpenDocument. Anda dapat mengekstrak teks, gambar, dan mengurai data dengan template menggunakan SDK. Ini juga menyediakan SDK .NET, Java, PHP, Ruby, dan Node.js sebagai anggota keluarga parser dokumen untuk Cloud API.
Anda dapat menginstal GroupDocs.Parser Cloud ke proyek Python Anda dengan pip (penginstal paket untuk python) menggunakan perintah berikut di konsol untuk mengekstrak informasi dari pdf:
pip install groupdocs_parser_cloud
Silakan dapatkan ID Klien dan Rahasia Klien Anda dari dashboard dan tambahkan kode seperti yang ditunjukkan di bawah ini:
client_id = "da0c487d-c1c0-45ae-b7bf-43eaf53c5ad5"
client_secret = "479db2b01dcb93a3d4d20efb16dea971"
configuration = groupdocs_parser_cloud.Configuration(client_id, client_secret)
configuration.api_base_url = "https://api.groupdocs.cloud"
my_storage = ""
Ekstrak Data dengan Objek Templat menggunakan Python
Anda dapat mengekstrak data dari dokumen PDF menggunakan templat dengan mengikuti langkah-langkah sederhana yang disebutkan di bawah ini:
- Unggah file PDF ke Cloud
- Ekstraksi Data berbasis template menggunakan Python
Unggah Dokumen
Pertama-tama, unggah dokumen PDF ke Cloud menggunakan contoh kode di bawah ini:
# Buat instance API
file_api = groupdocs_parser_cloud.FileApi.from_config(configuration)
# mengunggah file sampel
request = groupdocs_parser_cloud.UploadFileRequest("companies.pdf", "C:\\Files\\companies.pdf", my_storage)
response = file_api.upload_file(request)
Hasilnya, file PDF yang diunggah akan tersedia di bagian file dasbor Anda di cloud.
Ekstraksi Data berbasis template menggunakan Python
Silakan ikuti langkah-langkah yang disebutkan di bawah ini untuk mengekstrak data dari file PDF berdasarkan template secara terprogram.
- Buat instance ParseApi
- Tentukan ParseOptions dan Setel jalur ke file PDF
- Buat Templat sebagai objek
- Buat ParseRequest
- Dapatkan hasil dengan memanggil metode ParseApi.parse().
Contoh kode berikut menunjukkan cara mengekstrak data sesuai dengan template yang ditentukan dari dokumen PDF menggunakan REST API.
# inisialisasi api
parseApi = groupdocs_parser_cloud.ParseApi.from_config(configuration)
# menentukan pilihan parse
options = groupdocs_parser_cloud.ParseOptions()
options.file_info = groupdocs_parser_cloud.FileInfo()
options.file_info.file_path = "companies.pdf"
# Dapatkan Objek Templat
options.template = GetTemplate()
# permintaan parse
request = groupdocs_parser_cloud.ParseRequest(options)
result = parseApi.parse(request)
# Tampilkan Hasil
for data in result.fields_data:
if data.page_area.page_text_area is not None:
print("Field name: " + data.name + ". Text :" + data.page_area.page_text_area.text)
if data.page_area.page_table_area is not None:
print("Table name: " + data.name)
for cell in data.page_area.page_table_area.page_table_area_cells:
print("Table cell. Row " + str(cell.row_index) + " column " + str(cell.column_index) + ". Text: " + cell.page_area.page_text_area.text);
Silakan temukan di bawah templat yang dibuat menurut dokumen PDF.
def GetTemplate():
field1 = groupdocs_parser_cloud.Field()
field1.field_name = "Address"
fieldPosition1 = groupdocs_parser_cloud.FieldPosition()
fieldPosition1.field_position_type = "Regex"
fieldPosition1.regex = "Company address:"
field1.field_position = fieldPosition1
field2 = groupdocs_parser_cloud.Field()
field2.field_name = "CompanyAddress"
fieldPosition2 = groupdocs_parser_cloud.FieldPosition()
fieldPosition2.field_position_type = "Linked"
fieldPosition2.linked_field_name = "ADDRESS"
fieldPosition2.is_right_linked = True
size2 = groupdocs_parser_cloud.Size()
size2.width = 100
size2.height = 10
fieldPosition2.search_area = size2
fieldPosition2.auto_scale = True
field2.field_position = fieldPosition2
field3 = groupdocs_parser_cloud.Field()
field3.field_name = "Company"
fieldPosition3 = groupdocs_parser_cloud.FieldPosition()
fieldPosition3.field_position_type = "Regex"
fieldPosition3.regex = "Company name:"
field3.field_position = fieldPosition3
field4 = groupdocs_parser_cloud.Field()
field4.field_name = "CompanyName"
fieldPosition4 = groupdocs_parser_cloud.FieldPosition()
fieldPosition4.field_position_type = "Linked"
fieldPosition4.linked_field_name = "Company"
fieldPosition4.is_right_linked = True
size4 = groupdocs_parser_cloud.Size()
size4.width = 100
size4.height = 10
fieldPosition4.search_area = size4
fieldPosition4.auto_scale = True
field4.field_position = fieldPosition4
table = groupdocs_parser_cloud.Table()
table.table_name = "Companies"
detectorparams = groupdocs_parser_cloud.DetectorParameters()
rect = groupdocs_parser_cloud.Rectangle()
size = groupdocs_parser_cloud.Size()
size.height = 60
size.width = 480
position = groupdocs_parser_cloud.Point()
position.x = 77
position.y = 279
rect.size = size
rect.position = position
detectorparams.rectangle = rect
table.detector_parameters = detectorparams
fields = [field1, field2, field3, field4]
tables = [table]
template = groupdocs_parser_cloud.Template()
template.fields = fields
template.tables = tables
return template
Mengekstrak Data dengan mem-parsing dokumen menggunakan template
Ekstrak Data dengan File Templat menggunakan Python
Anda juga dapat mengekstrak data dari dokumen PDF dengan menyediakan file template berbasis JSON secara terprogram. Silakan ikuti langkah-langkah yang disebutkan di bawah ini untuk mengurai dokumen dengan menyediakan file template.
- Buat instance ParseApi
- Tentukan ParseOptions
- Tetapkan jalur ke file PDF
- Tetapkan jalur ke file template
- Buat ParseRequest
- Dapatkan hasil dengan memanggil metode ParseApi.parse().
Contoh kode berikut menunjukkan cara mengurai dokumen PDF dan mengekstrak data sesuai dengan template yang disediakan dalam file JSON menggunakan REST API. Silakan ikuti langkah-langkah yang disebutkan sebelumnya untuk mengunggah file.
# inisialisasi api
parseApi = groupdocs_parser_cloud.ParseApi.from_config(configuration)
# menentukan pilihan parse
options = groupdocs_parser_cloud.ParseOptions()
options.file_info = groupdocs_parser_cloud.FileInfo()
options.file_info.file_path = "companies.pdf"
options.template_path = "template.json"
# permintaan parse
request = groupdocs_parser_cloud.ParseRequest(options)
result = parseApi.parse(request)
# menunjukkan hasil
for data in result.fields_data:
if data.page_area.page_text_area is not None:
print("Field name: " + data.name + ". Text :" + data.page_area.page_text_area.text)
if data.page_area.page_table_area is not None:
print("Table name: " + data.name)
for cell in data.page_area.page_table_area.page_table_area_cells:
print("Table cell. Row " + str(cell.row_index) + " column " + str(cell.column_index) + ". Text: " + cell.page_area.page_text_area.text);
Silakan temukan di bawah template dalam format JSON.
{
"Fields": [
{
"FieldName": "Address",
"FieldPosition": {
"FieldPositionType": "Regex",
"Regex": "Companyaddress:"
}
},
{
"FieldName": "CompanyAddress",
"FieldPosition": {
"FieldPositionType": "Linked",
"LinkedFieldName": "ADDRESS",
"IsRightLinked": true,
"SearchArea": {
"Height": 10.0,
"Width": 100.0
},
"AutoScale": true
}
},
{
"FieldName": "Company",
"FieldPosition": {
"FieldPositionType": "Regex",
"Regex": "Companyname:"
}
},
{
"FieldName": "CompanyName",
"FieldPosition": {
"FieldPositionType": "Linked",
"LinkedFieldName": "Company",
"IsRightLinked": true,
"SearchArea": {
"Height": 10.0,
"Width": 100.0
},
"AutoScale": true
}
}
],
"Tables": [
{
"TableName": "Companies",
"DetectorParameters": {
"Rectangle": {
"Position": {
"X": 77.0,
"Y": 279.0
},
"Size": {
"Height": 41.0,
"Width": 480.0
}
}
}
}
]
}
Ekstrak File PDF Online
Bagaimana cara menggunakan pdf extractor online gratis? Silakan coba alat Parsing PDF online gratis berikut dan ekstraktor halaman pdf gratis. Ekstraktor pdf online ini dan alat ekstrak pdf online gratis ini dikembangkan menggunakan API di atas. https://products.groupdocs.app/parser/pdf
Kesimpulan
Pada artikel ini, Anda telah mempelajari cara mengekstrak data tertentu dari dokumen PDF sesuai dengan template yang disediakan di cloud. Anda juga mempelajari cara membuat objek template dan menyediakan template dalam format JSON. Artikel ini juga menjelaskan cara mengunggah file PDF secara terprogram di cloud untuk ekstraksi data pdf online. Anda dapat mempelajari lebih lanjut tentang GroupDocs.Parser Cloud API menggunakan dokumentasi. Kami juga menyediakan bagian Referensi API yang memungkinkan Anda memvisualisasikan dan berinteraksi dengan API kami secara langsung melalui browser.
Berikan pertanyaan
Jika Anda memiliki pertanyaan tentang mengekstraksi data dari pdf dan ekstraksi data pdf online, jangan ragu untuk bertanya kepada kami di Forum Dukungan Gratis