
如何使用 Python 从 PDF 中提取数据
您可能需要使用用户定义的模板从 PDF 或 Word 文档中提取数据。您可以在云端以编程方式解析任何文档并提取字段和表格数据。本文将解释如何在 Python 中使用 REST API 从 PDF 文档中提取特定数据。
本文应涵盖以下主题:
文档解析器 REST API 和 Python SDK
为了解析 PDF 文档并基于模板提取数据,我将使用 GroupDocs.Parser Cloud 的 Python SDK API。它允许您解析来自所有流行文档类型的数据,例如 PDF 文档、Microsoft Office 文档和 OpenDocument 文件格式。您可以使用 SDK 通过模板提取文本、图像和解析数据。它还为云 API 提供 .NET、Java、PHP、Ruby 和 Node.js SDK 作为其文档解析器家族成员。
您可以使用 pip(python 的软件包安装程序)将 GroupDocs.Parser Cloud 安装到您的 Python 项目中,在控制台中使用以下命令从 pdf 中提取信息:
pip install groupdocs_parser_cloud
请从 dashboard 获取您的 Client ID 和 Client Secret 并添加如下所示的代码:
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 = ""
使用 Python 通过模板对象提取数据
您可以按照以下简单步骤使用模板从 PDF 文档中提取数据:
- 上传PDF文件到云端
- 使用 Python 进行基于模板的数据提取
上传文件
首先,使用下面给出的代码示例将 PDF 文档上传到云端:
# 创建 API 实例
file_api = groupdocs_parser_cloud.FileApi.from_config(configuration)
# 上传示例文件
request = groupdocs_parser_cloud.UploadFileRequest("companies.pdf", "C:\\Files\\companies.pdf", my_storage)
response = file_api.upload_file(request)
因此,上传的 PDF 文件将在云端仪表板的 文件部分 中可用。
使用 Python 进行基于模板的数据提取
请按照下面提到的步骤以编程方式基于模板从 PDF 文件中提取数据。
- 创建 ParseApi 的实例
- 定义 ParseOptions 并设置 PDF 文件的路径
- 创建模板作为对象
- 创建 ParseRequest
- 通过调用 ParseApi.parse() 方法获取结果
以下代码示例显示了如何使用 REST API 根据定义的模板从 PDF 文档中提取数据。
# 接口初始化
parseApi = groupdocs_parser_cloud.ParseApi.from_config(configuration)
# 定义解析选项
options = groupdocs_parser_cloud.ParseOptions()
options.file_info = groupdocs_parser_cloud.FileInfo()
options.file_info.file_path = "companies.pdf"
# 获取模板对象
options.template = GetTemplate()
# 解析请求
request = groupdocs_parser_cloud.ParseRequest(options)
result = parseApi.parse(request)
# 显示结果
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);
请在下面找到根据 PDF 文档创建的模板。
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

通过使用模板解析文档来提取数据
使用 Python 通过模板文件提取数据
您还可以通过以编程方式提供基于 JSON 的模板文件来从 PDF 文档中提取数据。请按照以下步骤通过提供模板文件来解析文档。
- 创建 ParseApi 的实例
- 定义解析选项
- 设置PDF文件的路径
- 设置模板文件的路径
- 创建 ParseRequest
- 通过调用 ParseApi.parse() 方法获取结果
以下代码示例显示了如何使用 REST API 根据 JSON 文件中提供的模板解析 PDF 文档并提取数据。请按照前面提到的步骤上传文件。
# 接口初始化
parseApi = groupdocs_parser_cloud.ParseApi.from_config(configuration)
# 定义解析选项
options = groupdocs_parser_cloud.ParseOptions()
options.file_info = groupdocs_parser_cloud.FileInfo()
options.file_info.file_path = "companies.pdf"
options.template_path = "template.json"
# 解析请求
request = groupdocs_parser_cloud.ParseRequest(options)
result = parseApi.parse(request)
# 显示结果
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);
请在下方找到 JSON 格式的模板。
{
"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
}
}
}
}
]
}
在线提取 PDF 文件
如何免费在线使用pdf提取器?请尝试以下免费在线 PDF 解析工具和免费 pdf 页面提取器。这个在线 pdf 提取器和提取 pdf 在线免费工具是使用上述 API 开发的。 https://products.groupdocs.app/parser/pdf
结论
在本文中,您学习了如何根据云端提供的模板从PDF文档中提取特定数据。您还学习了如何创建模板对象并提供 JSON 格式的模板。本文还介绍了如何以编程方式将 PDF 文件上传到云端以在线提取 pdf 数据。您可以使用 文档 了解有关 GroupDocs.Parser Cloud API 的更多信息。我们还提供了一个 API 参考 部分,让您可以直接通过浏览器可视化我们的 API 并与之交互。
问一个问题
如果您对从pdf中提取数据和在线提取pdf数据有任何疑问,请随时在免费支持论坛中向我们提问