read-bin-docs

ドキュメント形式

クイックスタート: PDF からテキストを抽出する

PDF からテキストを抽出する必要がありますか？この Python スニペットを使用してください:

from pypdf import PdfReader

reader = PdfReader("document.pdf")
text = "".join(page.extract_text() for page in reader.pages)
print(text)

またはコマンドラインから:

uvx --with pypdf python /path/to/extract_pdf_text.py document.pdf

PDF テキスト抽出

基本的な使い方

from pypdf import PdfReader

# Read all pages
reader = PdfReader("file.pdf")
for page in reader.pages:
    text = page.extract_text()
    print(text)

特定のページを抽出する

from pypdf import PdfReader

reader = PdfReader("file.pdf")
# Get pages 1-5 (0-indexed)
for page in reader.pages[0:5]:
    print(page.extract_text())

スクリプトの使用

このスキルには、コマンドラインで抽出するための scripts/extract_pdf_text.py が含まれています:

# Extract all pages to stdout
python extract_pdf_text.py document.pdf

# Extract to file
python extract_pdf_text.py document.pdf --output text.txt

# Extract specific pages
python extract_pdf_text.py document.pdf --pages 1-5
python extract_pdf_text.py document.pdf --pages 1,3,5

要件

• pypdf: uvx --with pypdf python <script>
• ほとんどのテキストベースの PDF で動作します
• OCR なしのスキャンされた PDF ではテキストを抽出できません

よくある問題

「テキストが抽出されない」: PDF が OCR なしのスキャン（画像ベース）である可能性があります。OCR のサポートには追加のツールが必要です。

「エンコーディングエラー」: pypdf はほとんどのエンコーディングを処理しますが、一部の PDF ではエンコーディングの問題がある可能性があります。利用可能な場合は、レイアウトを考慮した抽出のために page.extract_text(layout=True) を使用してください。

---

今後: DOCX、XLSX、その他の形式のサポートが近日提供予定です。