Parser para .NET Parser para Java Parser para Node.js

Parser para Python

SDK de análisis de documentos para Python

Añada un análisis de documentos rápido y preciso a sus aplicaciones Python y extraiga texto, imágenes, metadatos y datos estructurados de documentos e imágenes.

Descargar PyPI Iniciar prueba gratuita

from groupdocs.parser import Parser

# Cargar el documento
with Parser("sample.pdf") as parser:
    # Extraer texto del documento
    text = parser.get_text()

    # Imprimir todo el texto extraído
    print(text)

pip install groupdocs-parser-net

GroupDocs.Parser en un vistazo

SDK de análisis de documentos para realizar análisis de documentos de alta precisión en aplicaciones Python

Extraer datos de documentos

GroupDocs.Parser for Python via .NET API le permite recuperar texto, metadatos, imágenes y anotaciones de una amplia gama de formatos de archivo, como documentos de Office, correos electrónicos, archivos adjuntos y archivos comprimidos. Esta potente herramienta le ayuda a acceder y procesar de manera eficiente la información valiosa contenida en estos archivos para diversas aplicaciones, como análisis de datos, indexación de motores de búsqueda o sistemas de gestión de contenidos.

Analizar documentos

Extraiga diversos elementos como hipervínculos, tablas, códigos QR, códigos de barras y datos de formularios PDF. También analice cualquier información deseada de los documentos utilizando plantillas personalizadas.

Personalizar resultados

Python API le permite recuperar datos en varios formatos, como crudo, estructurado, HTML o Markdown. Además, la API ofrece una funcionalidad de búsqueda para localizar palabras o frases específicas dentro del texto de los documentos.

Independencia de plataforma

GroupDocs.Parser for Python via .NET admite los siguientes sistemas operativos, frameworks y gestores de paquetes

Formatos de archivo compatibles

GroupDocs.Parser for Python via .NET admite operaciones con los siguientes formatos de archivo.

Formatos de Microsoft Office

Word: DOCX, DOC, DOCM, DOT, DOTX, DOTM, RTF
Excel: XLSX, XLS, XLSM, XLSB, XLT, XLTX, XLTM, XLAM, XLA
PowerPoint: PPT, PPTX, PPS, PPSX, PPSM, POT, POTM, POTX, PPTM
Outlook: MSG, PST, OST
OneNote: ONE

Imágenes y otros formatos

Portátil: PDF
Imágenes: JPG, JPEG, PNG, BMP, GIF, TIFF, JP2
Otros formatos de oficina: ODT, OTT, ODS, OTS, ODP, OTP
Texto: TXT, CSV, TSV, XML, MD

Otros formatos

Web: HTML, XHTML, MHTML
Correo electrónico: EML, EMLX
Archivos: ZIP, RAR, 7Z, TAR, GZ, BZ2
eBooks: EPUB, MOBI, AZW3, FB2, CHM

Funciones de GroupDocs.Parser for Python via .NET

Extraiga datos de PDFs, documentos de Office, imágenes y otros formatos de manera rápida y precisa con nuestro SDK de análisis de documentos Python

Extraer texto

Extraiga información textual de varios formatos de archivo, como documentos de Office y archivos PDF, y reconozca texto en páginas escaneadas e imágenes mediante OCR.

Extraer imágenes

Recupere contenido visual de diversas fuentes, como documentos de Office y archivos PDF, para un acceso y uso conveniente.

Escanear códigos QR

Detecte y decodifique códigos QR presentes en documentos de Office, archivos PDF o contenido visual, para una recuperación de información eficiente.

Extraer datos de archivos adjuntos de correo electrónico y archivos comprimidos

Recopile información valiosa de mensajes de correo electrónico, archivos adjuntos y fuentes de datos comprimidos para un análisis y utilización efectivos.

Extraer tablas

Identifique y extraiga datos tabulares de documentos PDF, Word, Excel, PowerPoint y HTML para un análisis y uso organizados.

Extraer hipervínculos

Localice y extraiga hipervínculos y direcciones de correo electrónico dentro de documentos de Office o archivos PDF para un acceso eficiente.

Analizar formularios PDF

Los formularios PDF son documentos digitales que presentan campos rellenables para la interacción del usuario, permitiendo que introduzcan información electrónicamente. La API Python puede utilizarse para extraer datos de estos formularios y procesarlos de manera eficiente.

Analizar datos mediante plantillas

Cree plantillas personalizadas y utilícelas con la API Python para analizar información específica de archivos PDF, simplificando los procesos de extracción de datos.

Buscar texto en documentos

Localice rápidamente palabras o patrones específicos dentro de los documentos.

Ejemplos de código

Más allá de la extracción básica de texto, aquí están los casos de uso más comunes para la extracción rápida de texto, imágenes y metadatos.

Buscar texto en un documento

Este ejemplo muestra cómo buscar una frase específica en un documento PDF y mostrar dónde se encontró.

Buscar texto en un documento en Python

from groupdocs.parser import Parser
from groupdocs.parser.options import PageTextAreaOptions

# Cargar el documento
with Parser("sample.pdf") as parser:
    # Buscar una frase específica en el documento
    areas = parser.get_text_areas(PageTextAreaOptions("Total due")) or []

    # Imprimir el índice de página y el rectángulo donde se encontró la frase
    for area in areas:
        r = area.rectangle
        print(f"Page {area.page.index + 1}: ({r.left:.0f}, {r.top:.0f}) - ({r.right:.0f}, {r.bottom:.0f})")

Extraer imágenes de un documento

Este ejemplo muestra cómo extraer imágenes de un documento PDF y guardarlas en un archivo.

Extraer imágenes de un documento en Python

from groupdocs.parser import Parser

# Cargar el documento
with Parser("sample.pdf") as parser:
    # Extraer imágenes del documento
    images = parser.get_images() or []

    # Guardar las imágenes en un archivo
    for index, image in enumerate(images, start=1):
        image.save(f"image_{index}{image.file_type.extension}")

Extraer metadatos de un documento

Este ejemplo muestra cómo extraer metadatos de un documento PDF y mostrarlos.

Extraer metadatos de un documento en Python

from groupdocs.parser import Parser

# Cargar el documento
with Parser("sample.pdf") as parser:
    # Extraer metadatos del documento
    metadata = parser.get_metadata() or []

    # Imprimir los metadatos
    for item in metadata:
        print(f"{item.name}: {item.value}")