数据提取指南 ​

ComPDFKit Conversion SDK 的数据提取功能支持识别、分析、提取 PDF 文档中的文本、文本结构、表格等数据。

注: 文件数据提取为 JSON 格式时，暂不支持选择页面范围。默认提取全部页面，并且提取过程一旦开始，不支持取消。

PDF 文本提取 ​

概述

即从 PDF 文档中提取文本数据。

注意事项

• 当未开启 OCR 功能时可能会导致图片中的表格内的文本未被提取出来。
• 当我们从 PDF 文档中读取文本内容时，我们经常会遇到部分数据。例如，假设我们正在尝试从 PDF 文档中提取一个句子，上面写着 “这是一个示例句子”。我们最终可能会得到两个文本内容：“这” 和 “是一个示例句子”。这是可能的，因为在 PDF 文档中，文本对象并不总是整齐地组织成单词、句子或段落。未开启 OCR 识别时，start_extract_pdf_text返回与 PDF 页面中的文本内容完全相同的对象。

示例

以下是完整的示例代码，演示了基本的文本提取功能。

options = ConvertOptions()
error_code = PDFToOffice.start_extract_pdf_text("sample.pdf", "", "path/to/output", options, callback)

if error_code == ErrorCode.Success:
    print("Convert success")