파이썬으로 PDF 파일 내 텍스트 추출 방법 정리

Introduction

PDF 파일은 일상적으로 사용되는 문서 형식 중 하나로, 텍스트, 이미지, 그래픽, 표 등 다양한 정보를 담고 있습니다. 파이썬을 사용하여 PDF 파일에서 텍스트를 추출하는 방법을 알아보겠습니다.

1. PyPDF2 라이브러리를 사용한 텍스트 추출

PyPDF2는 파이썬에서 PDF 파일을 다루기 위한 강력한 라이브러리입니다. 다음은 PyPDF2를 사용하여 PDF 파일에서 텍스트를 추출하는 예제 코드입니다.

import PyPDF2

def extract_text_from_pdf(path):
    with open(path, 'rb') as file:
        pdf = PyPDF2.PdfFileReader(file)
        text = ""
        for page in range(pdf.numPages):
            text += pdf.getPage(page).extractText()
        return text

pdf_path = 'example.pdf'
text = extract_text_from_pdf(pdf_path)
print(text)

위 코드에서는 PyPDF2 모듈을 import한 후, `extract_text_from_pdf` 함수를 사용하여 PDF 파일에서 텍스트를 추출하고 출력합니다. 이 코드는 단순히 모든 페이지의 텍스트를 가져와서 하나의 문자열로 결합하는 방식으로 동작합니다.

2. Tika 라이브러리를 사용한 텍스트 추출

Tika는 Apache Tika 프로젝트의 파이썬 바인딩으로, 다양한 문서 형식에서 텍스트, 메타데이터 등을 추출할 수 있습니다. Tika를 사용하여 PDF 파일에서 텍스트를 추출하는 예제 코드는 다음과 같습니다.

from tika import parser

def extract_text_from_pdf(path):
    raw_text = parser.from_file(path)
    return raw_text['content']

pdf_path = 'example.pdf'
text = extract_text_from_pdf(pdf_path)
print(text)

위 코드에서는 `tika.parser` 모듈에서 `parse` 함수를 사용하여 PDF 파일을 파싱하고, `content` 필드를 추출하여 텍스트로 반환합니다.

3. 예제 파일과 결과

다음은 예제 PDF 파일의 일부 내용과 텍스트 추출 결과입니다.

PAGE	PDF CONTENT	EXTRACTED TEXT
1	"Hello, World!"	"Hello, World!"
2	{"name": "John Doe"}	{"name": "John Doe"}

위의 예시에서는 PDF 파일의 첫 페이지에서 "Hello, World!"라는 텍스트와 두 번째 페이지에서 {"name": "John Doe"}라는 텍스트를 추출했습니다.

결론

이 글에서는 파이썬으로 PDF 파일에서 텍스트를 추출하는 방법에 대해 알아보았습니다. PyPDF2와 Tika 라이브러리를 사용하여 간단한 예제 코드를 제공했습니다. PDF 파일에서 텍스트 추출은 다양한 분야에서 유용하게 사용될 수 있으며, 파이썬을 통해 이를 자동화하는 것은 매우 효과적입니다.

더 많은 예제 코드와 자세한 설명은 아래 링크를 참조해주세요.

링크: [블로그 링크]

초보자도 쉽게 따라할 수 있는 예제와 설명이 제공되기 때문에, 파이썬을 활용하여 PDF 파일에서 텍스트를 추출하는 방법을 빠르게 익힐 수 있습니다. 텍스트 추출은 데이터 분석, 자연어 처리, 정보 검색 등 다양한 분야에서 활용되므로, 이를 통해 파이썬 능력을 더욱 향상시킬 수 있습니다.

이상으로, 파이썬으로 PDF 파일 내 텍스트 추출 방법에 대해 알아보았습니다. 직접 코드를 작성해보면서 PDF 파일을 다루는 실력을 향상시켜보세요!