هنگام نوشتن برنامه‌های C++، به‌ویژه در پروژه‌های بزرگ، سازماندهی کد در چندین فایل برای خوانایی و نگهداری ضروری است. این معمولاً شامل استفاده از فایل‌های سرآیند می‌شود که با پسوندهای .h یا .hpp عرضه می‌شوند. اما تفاوت این دو چیست و کدام را باید استفاده کنید؟

در این مقاله، تفاوت‌های بین فایل‌های .h و .hpp را بررسی می‌کنیم، تاریخچه آن‌ها را مرور می‌کنیم و راهنمایی‌هایی برای بهترین روش‌ها ارائه می‌دهیم.

درک فایل‌های سرآیند در C++

فایل‌های سرآیند شامل اعلان‌ها برای توابع، کلاس‌ها، ثابت‌ها و ماکروهایی هستند که می‌توانید آن‌ها را در چندین فایل منبع گنجانده (include) کنید. این فایل‌ها سپس در فایل‌های .cpp (منبع C++) با دستور #include گنجانده می‌شوند.

محتویات معمول فایل‌های سرآیند

• تعریف کلاس‌ها
• اعلان توابع
• تعریف ثابت‌ها
• ماکروها
• قالب‌ها (در برخی موارد)

فایل‌های .h

فایل .h چیست؟

فایل‌های .h فایل‌های سرآیند سنتی هستند و اولین بار به‌طور گسترده در زبان برنامه‌نویسی C استفاده شدند. آن‌ها هنوز هم در پروژه‌های C و C++ برای اعلان رابط‌ها به کار می‌روند.

مثال استفاده:

// mathutils.h
#ifndef MATHUTILS_H
#define MATHUTILS_H

int add(int a, int b);
int subtract(int a, int b);

#endif

مزایا:

• به‌صورت جهانی شناخته شده (در هر دو C و C++ استفاده می‌شود).
• مناسب برای پروژه‌هایی که شامل هر دو کد C و C++ هستند.

معایب:

• می‌تواند در پروژه‌های C++ ابهام ایجاد کند که آیا فایل به سبک C است یا C++.

فایل‌های .hpp

فایل .hpp چیست؟

فایل‌های .hpp فایل‌های سرآیند مختص C++ هستند. آن‌ها همانند فایل‌های .h عمل می‌کنند اما برای صریحاً نشان دادن این‌که سرآیند برای کد C++ است، استفاده می‌شوند.

مثال استفاده:

// vectorutils.hpp
#ifndef VECTORUTILS_HPP
#define VECTORUTILS_HPP

#include <vector>

std::vector<int> filter_even(const std::vector<int>& input);

#endif

مزایا:

• به‌وضوح نشان می‌دهد که فایل برای کد C++ است.
• از سردرگمی هنگام ترکیب C و C++ جلوگیری می‌کند.
• در پروژه‌های چندزبانه یا تیم‌هایی که نام‌گذاری سخت‌گیرانه دارند، مفید است.

معایب:

• کمی کمتر در کدهای قدیمی دیده می‌شود.
• برخی سیستم‌های قدیمی که انتظار .h دارند، ممکن است آن را شناسایی نکنند.

.h در مقابل .hpp: تفاوت‌های کلیدی

بهترین روش‌ها برای انتخاب بین .h و .hpp

در اینجا چند راهنمای کلی برای کمک به انتخاب شما آورده شده است:

استفاده از .h اگر:

• کدی می‌نویسید که باید با هر دو C و C++ سازگار باشد.
• در حال نگهداری یا گسترش کدهای قدیمی هستید که از .h استفاده می‌کنند.

استفاده از .hpp اگر:

• می‌خواهید واضح کنید که فایل مختص C++ است.
• در پروژه‌ای فقط C++ کار می‌کنید یا از ویژگی‌های خاص C++ مانند کلاس‌ها، قالب‌ها و فضای‌نام‌ها استفاده می‌کنید.

ساختارهای رایج پروژه

مثال با .h:

project/
├── main.cpp
├── mathutils.h
└── mathutils.cpp

مثال با .hpp:

project/
├── main.cpp
├── vectorutils.hpp
└── vectorutils.cpp

هر دو ساختار معتبر هستند؛ تفاوت عمدتاً در وضوح و ترجیحات تیمی است.

نتیجه‌گیری

انتخاب بین .h و .hpp بیشتر به قالب مربوط می‌شود تا عملکرد. هر دو هدف یکسانی دارند: اعلان رابط‌ها و کدهای مشترک بین چندین فایل منبع C++.

با این حال، برای کدهای مختص C++ استفاده از .hpp می‌تواند نیت شما را واضح‌تر کند و از سردرگمی در کدبیس‌های بزرگتر—به‌ویژه آن‌هایی که شامل چندین زبان هستند—پیشگیری کند. برای پروژه‌های ترکیبی یا قدیمی، ممکن است هنوز .h مناسب باشد.

نکته کلیدی:

وقتی می‌خواهید نشان دهید «این فقط کد C++ است» از .hpp استفاده کنید — اگر در محیط‌هایی کار می‌کنید که C و C++ را ترکیب می‌کنند، با .h ادامه دهید.

مطالب مرتبط

• تفاوت بین DOC و DOCX
• فرمت AVI: آیا باید از AVI استفاده کنید؟ - AVI در مقابل MP4
• WAV در مقابل MP3 برای پادکسترها: تفاوت چیست؟

XML (زبان نشانه‌گذاری قابل توسعه) به طور گسترده برای ذخیره‌سازی و حمل و نقل داده‌ها استفاده می‌شود. چه تازه‌کار باشید و چه یک برنامه‌نویس باتجربه، درک نحوه خواندن و ویرایش فایل‌های XML ضروری است. در این راهنما، روش‌های پایه و پیشرفته برای کار با فایل‌های XML به صورت کارآمد را پوشش می‌دهیم.

فهم ساختار XML

یک فایل XML شامل عناصر، خصوصیات و داده‌های سلسله‌مراتبی است. در اینجا یک مثال ساده از XML آمده است:

خواندن فایل‌های XML

۱. استفاده از پایتون

ماژول xml.etree.ElementTree در پایتون امکان تحلیل آسان XML را فراهم می‌کند.

ماژول xml.etree.ElementTree یک ماژول داخلی در پایتون است که نیازی به نصب جداگانه ندارد. این ماژول به صورت پیش‌فرض با پایتون نصب می‌شود و ابزارهای سهلی برای تحلیل، ویرایش و ایجاد داده‌های XML فراهم می‌کند.

توضیح کد

این اسکریپت پایتون از xml.etree.ElementTree برای تحلیل فایل XML (books.xml) استفاده می‌کند. تمامی عناصر <book> را بازیابی کرده، مقادیر <title>, <author> و <price> آن‌ها را استخراج و چاپ می‌کند. این روش خواندن داده‌های ساختاری XML را آسان می‌سازد.

۲. استفاده از جاوا

جاوا بسته javax.xml.parsers برای کار با XML فراهم می‌کند.

بسته javax.xml.parsers یک بسته داخلی در جاوا است که کلاس‌هایی برای تحلیل XML با استفاده از DOM (مدل شیء‌گرای سند) و SAX (رابط کاربری ساده برای XML) ارائه می‌دهد. این بسته در کتابخانه استاندارد جاوا وجود دارد، بنابراین نیازی به نصب هیچ چیز اضافی برای استفاده از آن نیست.

توضیح کد

این برنامه جاوا از تحلیل‌گر DOM برای خواندن و تحلیل فایل XML (books.xml) استفاده می‌کند. ابتدا سند XML را بارگذاری و نرمال‌سازی کرده، سپس تمامی عناصر <book> را بازیابی می‌کند. داخل یک حلقه، محتوای متنی هر تگ <title> را استخراج و چاپ می‌کند. این امر امکان خواندن عناوین کتاب‌ها از یک فایل XML را به صورت سریع فراهم می‌آورد.

۳. استفاده از جاوااسکریپت (مرورگر)

DOMParser جاوااسکریپت می‌تواند XML را تحلیل کند.

DOMParser جاوااسکریپت یک قابلیت داخلی در مرورگرهای وب مدرن است. این قابلیت به شما امکان می‌دهد رشته‌های XML را به یک مدل شیء‌گرای سند (DOM) تبدیل کنید که به آسانی می‌توان آن را با جاوااسکریپت مسیریابی و ویرایش کرد.

توضیح کد

این کد جاوااسکریپت از DOMParser برای تحلیل یک رشته XML (xmlString) استفاده می‌کند. عنصر <title> را از سند XML تحلیل‌شده استخراج کرده و محتوای متنی آن ("XML Guide") را بر روی کنسول ثبت می‌کند. این ویژگی برای پردازش داده‌های XML در جاوااسکریپت مفید است.

ویرایش فایل‌های XML

۱. ویرایش با پایتون

این اسکریپت پایتون از xml.etree.ElementTree برای تحلیل و ویرایش یک فایل XML (books.xml) استفاده می‌کند. یک عنصر <book> با id برابر "1" پیدا کرده و مقدار <price> آن را به "24.99" تغییر می‌دهد، سپس تغییرات را در فایل ذخیره می‌کند.

۲. ویرایش با جاوا

این برنامه جاوا یک فایل XML (books.xml) را با استفاده از تحلیل‌گر DOM ویرایش می‌کند. سند را بارگذاری و نرمال‌سازی کرده، عنصر <book> با id="1" را پیدا کرده، مقدار <price> آن را به "24.99" تغییر می‌دهد و با استفاده از Transformer تغییرات را در فایل ذخیره می‌کند.

۳. ویرایش با جاوااسکریپت

این کد جاوااسکریپت یک رشته XML را با DOMParser تحلیل کرده، عنصر <book> با id="1" را پیدا کرده، مقدار <price> آن را به "24.99" تغییر داده و سپس XML ویرایش‌شده را با XMLSerializer به رشته تبدیل می‌کند. در نهایت، XML به‌روزشده را ثبت می‌کند.

نتیجه‌گیری

خواندن و ویرایش فایل‌های XML برای برنامه‌نویسانی که با داده‌های ساختاری کار می‌کنند بسیار مهم است. پایتون، جاوا و جاوااسکریپت روش‌های قدرتمندی برای پردازش XML به‌صورت کارآمد ارائه می‌دهند. این تکنیک‌ها را امتحان کنید و مهارت‌های خود در کار با XML را بهبود بخشید!

در این مقاله، راهنمایی می‌کنیم که چگونه با فایل‌های PDF با استفاده از پایتون کار کنید. برای این کار، از کتابخانه pypdf استفاده خواهیم کرد.

با استفاده از کتابخانه pypdf، عملیات‌های زیر را در پایتون نشان خواهیم داد:

• استخراج متن از PDF
• چرخاندن صفحات PDF
• ادغام چندین PDF
• تقسیم PDF‌ها به فایل‌های مجزا
• افزودن واترمارک به صفحات PDF

توجه: این مقاله شامل جزئیات ارزشمندی است، بنابراین در صورت نیاز به قسمت‌های مورد علاقه‌تان مستقیماً بروید! محتوا به گونه‌ای سازماندهی شده است که بتوانید به راحتی بر روی مواردی که برای شما مهم‌ترین است تمرکز کنید.

کدهای نمونه

شما می‌توانید تمام کدهای نمونه استفاده شده در این مقاله را از لینک زیر دانلود کنید. این شامل کدها، فایل‌های ورودی، و فایل‌های خروجی است.

• مثال‌های کد و فایل‌های ورودی برای کار با فایل‌های PDF در پایتون

نصب pypdf

برای نصب pypdf، کافی است دستور زیر را در ترمینال یا کامند پرامپت خود اجرا کنید:

pip install pypdf

توجه: دستور بالا به حروف بزرگ و کوچک حساس است.

۱. استخراج متن از یک فایل PDF با استفاده از پایتون

توضیح کد

۱. ایجاد یک شیء خواننده PDF

reader = PdfReader(pdf_file)

• PdfReader(pdf_file) فایل PDF را به یک شیء خواننده بارگذاری می‌کند.
• این شیء امکان دسترسی به صفحات و محتوای آنان را فراهم می‌کند.

۲. حلقه زدن بر روی صفحات

for page_number, page in enumerate(reader.pages, start=1):

• reader.pages لیستی از صفحات در فایل PDF بر می‌گرداند.
• enumerate(..., start=1) یک شماره صفحه از ۱ به بالا اختصاص می‌دهد.

۳. چاپ متن استخراج شده

    print(f"Page {page_number}:")
    print(page.extract_text())
    print("-" * 50)  # جداکننده برای خوانایی

• page.extract_text() محتویات متنی را از صفحه جاری استخراج می‌کند.
• اسکریپت متن استخراج شده را به همراه شماره صفحه چاپ می‌کند.
• "-" * 50 یک خط جداکننده (--------------------------------------------------) برای خوانایی بهتر چاپ می‌کند.

فایل PDF ورودی استفاده شده در کد

• فایل ورودی: لینک دانلود

خروجی کد

۲. چرخاندن صفحات PDF با استفاده از پایتون

توضیح کد

کد اساساً اولین صفحه را به ۹۰ درجه در جهت موافق ساعت می‌چرخاند و فایل PDF تغییر یافته را بدون تاثیر بر روی سایر صفحات ذخیره می‌کند.

۱. وارد کردن کلاس‌های مورد نیاز

from pypdf import PdfReader, PdfWriter

• PdfReader: فایل PDF ورودی را می‌خواند.
• PdfWriter: یک PDF جدید با تغییرات ایجاد می‌کند.

۲. تعریف مسیر فایل‌های ورودی و خروجی

input_pdf = "pdf-to-rotate/input.pdf"
output_pdf = "pdf-to-rotate/rotated_output.pdf"

• اسکریپت از input.pdf می‌خواند و فایل تغییر یافته را به عنوان rotated_output.pdf ذخیره می‌کند.

۳. خواندن PDF و ایجاد یک شیء نویسنده

reader = PdfReader(input_pdf)
writer = PdfWriter()

• reader فایل PDF موجود را بارگذاری می‌کند.
• writer برای ذخیره صفحات تغییر یافته استفاده می‌شود.

۴. چرخاندن اولین صفحه به اندازه ۹۰ درجه

page = reader.pages[0]
page.rotate(90)  # چرخش ۹۰ درجه در جهت موافق ساعت
writer.add_page(page)

• صفحه ۱ را استخراج می‌کند، به اندازه ۹۰ درجه می‌چرخاند و آن را به PDF جدید اضافه می‌کند.

۵. اضافه کردن صفحات باقی‌مانده بدون تغییر

for i in range(1, len(reader.pages)):
    writer.add_page(reader.pages[i])

• بر روی سایر صفحات حلقه می‌زند و آنان را به همان صورت اضافه می‌کند.

۶. ذخیره PDF جدید

with open(output_pdf, "wb") as file:
    writer.write(file)

• rotated_output.pdf را در حالت نوشتن باینری باز می‌کند و PDF جدید را ذخیره می‌کند.

۷. چاپ تاییدیه

print(f"Rotated page saved to {output_pdf}")

• پیامی به منظور موفقیت‌آمیز بودن نمایش می‌دهد.

فایل PDF ورودی استفاده شده در کد و خروجی چرخانده شده

• فایل PDF ورودی: لینک دانلود
• فایل PDF خروجی چرخانده شده: لینک دانلود

تصویر

۳. ادغام فایل‌های PDF با استفاده از پایتون

این اسکریپت پایتون نحوه ادغام چندین فایل PDF از یک دایرکتوری را در یک PDF واحد با استفاده از کتابخانه PyPDF نشان می‌دهد.

توضیح کد

• این اسکریپت تمام فایل‌های PDF موجود در دایرکتوری مشخص شده (pdfs-to-merge) را به طور خودکار ادغام و به یک فایل خروجی واحد (merged_output.pdf) ذخیره می‌کند.
• مطمئن می‌شود دایرکتوری خروجی موجود است و صفحات هر PDF را به ترتیب لیست‌شده اضافه می‌کند.
• فایل نهایی ادغام شده را در زیرپوشه output-dir خروجی می‌دهد.

جزئیات کد

۱. وارد کردن کتابخانه‌ها

import os
from pypdf import PdfReader, PdfWriter

• os: برای تعامل با سیستم فایل استفاده می‌شود، مانند خواندن دایرکتوری‌ها و مدیریت مسیرهای فایل.
• PdfReader: محتوای یک فایل PDF را می‌خواند.
• PdfWriter: یک فایل PDF جدید ایجاد و می‌نویسد.

۲. تعریف دایرکتوری و فایل خروجی

directory = "pdfs-to-merge"
output_file = "output-dir/merged_output.pdf"

• directory: پوشه‌ای که فایل‌های PDF در آن ذخیره شده‌اند را مشخص می‌کند.
• output_file: مسیر خروجی و نام فایل PDF ادغام شده را تعریف می‌کند.

۳. ایجاد دایرکتوری خروجی در صورت عدم وجود

os.makedirs(os.path.join(directory, "output-dir"), exist_ok=True)

• اطمینان می‌دهد که دایرکتوری خروجی موجود است و در صورت عدم وجود آن، آن را ایجاد می‌کند.

۴. ایجاد یک شیء PdfWriter

writer = PdfWriter()

• writer برای جمع‌آوری و ترکیب تمام صفحات از فایل‌های PDF استفاده می‌شود.

۵. تکرار بر روی تمام فایل‌های PDF در داخل دایرکتوری

for file_name in sorted(os.listdir(directory)):
    if file_name.endswith(".pdf"):
        file_path = os.path.join(directory, file_name)
        print(f"Adding: {file_name}")

• این حلقه تمام فایل‌ها در دایرکتوری مشخص‌شده را بررسی و به دنبال فایل‌هایی با پسوند .pdf می‌گردد. از sorted() برای پردازش آن‌ها به ترتیب حروف الفبا استفاده می‌کند.

۶. خواندن هر PDF و اضافه کردن صفحات به نویسنده

reader = PdfReader(file_path)
writer.append(reader)

• برای هر PDF، PdfReader فایل را خوانده و سپس تمام صفحات آن PDF به writer اضافه می‌شوند.

۷. نوشتن فایل PDF ادغام شده به یک فایل خروجی

output_path = os.path.join(directory, output_file)
with open(output_path, "wb") as output_pdf:
    writer.write(output_pdf)

• پس از جمع‌آوری تمام صفحات، writer.write() PDF ادغام شده را به مسیر خروجی مشخص‌شده می‌نویسد.

۸. چاپ تأییدیه

print(f"Merged PDF saved as: {output_path}")

• یک پیام موفقیت‌آمیز برای تایید مکان ذخیره شده فایل PDF ادغام شده نمایش می‌دهد.

فایل‌های PDF ورودی استفاده شده در کد و فایل PDF خروجی ادغام شده

• فایل‌های PDF ورودی: لینک دانلود
• فایل PDF خروجی ادغام شده: لینک دانلود

۴. تقسیم یک PDF با استفاده از پایتون

توضیح کد

اسکریپت پایتون بالا یک فایل PDF را با استفاده از کتابخانه PyPDF به صفحات جداگانه تقسیم می‌کند. ابتدا مطمئن می‌شود که دایرکتوری خروجی وجود دارد، سپس فایل PDF ورودی را می‌خواند. اسکریپت برای هر صفحه یک شیء PdfWriter جدید ایجاد کرده و هر صفحه را به عنوان یک فایل PDF مجزا ذخیره می‌کند. فایل‌های خروجی به ترتیب نامگذاری شده‌اند (مثلاً page_1.pdf, page_2.pdf) و در پوشه output-dir ذخیره می‌شوند. در نهایت، یک پیام تایید برای هر فایل ایجاد شده نمایش می‌دهد و فرآیند را تکمیل می‌کند.

فایل PDF ورودی و فایل‌های خروجی تقسیم‌شده

• فایل PDF ورودی: لینک دانلود
• فایل‌های خروجی تقسیم‌شده: لینک دانلود

۵. افزودن واترمارک به یک فایل PDF با استفاده از پایتون

می‌توانید با استفاده از کتابخانه PyPDF واترمارک را به یک PDF اضافه کنید، به طوری که یک PDF واترمارک روی یک PDF موجود قرار گیرد. اطمینان حاصل کنید که PDF واترمارک دارای تنها یک صفحه باشد تا به درستی بر روی هر صفحه از PDF اصلی اعمال شود.

توضیح کد

اسکریپت پایتون بالا یک فایل PDF ورودی را می‌خواند، یک فایل PDF واترمارک تک صفحه‌ای را استخراج می‌کند، واترمارک را بر روی هر صفحه از فایل PDF ورودی اعمال می‌کند و فایل PDF خروجی که حاوی واترمارک است را ذخیره می‌کند.

جزئیات کد

در اینجا توضیح مختصری در مورد هر قسمت آورده شده است

۱. وارد کردن کلاس‌های مورد نیاز

from pypdf import PdfReader, PdfWriter

• PdfReader برای خواندن فایل‌های PDF موجود استفاده می‌شود.
• PdfWriter برای ایجاد و نوشتن یک فایل PDF جدید استفاده می‌شود.

۲. تعریف مسیر فایل‌ها

input_pdf = "pdf-to-watermark/input.pdf"
watermark_pdf = "pdf-to-watermark/watermark.pdf"
output_pdf = "pdf-to-watermark/output_with_watermark.pdf"

• input_pdf: فایل PDF اصلی که قرار است واترمارک به آن اضافه شود.
• watermark_pdf: یک PDF تک صفحه‌ای جداگانه که به عنوان واترمارک عمل می‌کند.
• output_pdf: فایل خروجی که حاوی صفحات دارای واترمارک خواهد بود.

۳. خواندن فایل‌های PDF

reader = PdfReader(input_pdf)
watermark = PdfReader(watermark_pdf)

• reader: فایل PDF ورودی را می‌خواند.
• watermark: فایل PDF واترمارک را می‌خواند.

۴. ایجاد یک شیء نویسنده

writer = PdfWriter()

• این برای ایجاد فایل نهایی حاوی واترمارک استفاده خواهد شد.

۵. استخراج صفحه واترمارک

watermark_page = watermark.pages[0]

• فرض می‌کند که فایل PDF واترمارک تنها یک صفحه دارد که برای قرارگیری بر روی تمام صفحات استفاده می‌شود.

۶. حلقه بر روی صفحات فایل PDF ورودی و ادغام واترمارک

for page in reader.pages:
    # ادغام واترمارک با صفحه جاری
    page.merge_page(watermark_page)
    
    # اضافه کردن صفحه ادغام شده به نویسنده
    writer.add_page(page)

• بر روی هر صفحه از input_pdf تکرار می‌شود.
• merge_page(watermark_page) واترمارک را روی صفحه جاری قرار می‌دهد.
• صفحه تغییر داده شده را به writer اضافه می‌کند.

۷. ذخیره فایل PDF حاوی واترمارک

with open(output_pdf, "wb") as output_file:
    writer.write(output_file)

• صفحات تغییر داده شده را در یک فایل PDF جدید می‌نویسد.

۸. چاپ تأییدیه

print(f"Watermarked PDF saved as: {output_pdf}")

• مسیر فایل خروجی را برای تایید نمایش می‌دهد.

فایل PDF ورودی، فایل PDF واترمارک، و فایل PDF خروجی

• فایل PDF ورودی: لینک دانلود
• فایل PDF واترمارک: لینک دانلود
• فایل PDF خروجی حاوی واترمارک: لینک دانلود

تصویر

نتیجه‌گیری

در این راهنما، به عملیات‌های اساسی PDF در پایتون از جمله استخراج متن، چرخاندن صفحات، ادغام کردن، تقسیم کردن، و افزودن واترمارک پرداختیم. با این مهارت‌ها، اکنون می‌توانید مدیر فایل PDF خود را بسازید و وظایف مختلف PDF را به طور موثری خودکار کنید.

استخراج متن از فایل PDF با استفاده از پایتون

در این مقاله، به شما خواهیم گفت چگونه متن را از فایل PDF با استفاده از پایتون استخراج کنید.

PDF به معنی فرمت سند قابل حمل، یک فرمت محبوب برای اسناد دیجیتال است. این فرمت طراحی شده تا امکان مشاهده و اشتراک‌گذاری اسناد به سادگی و با اطمینان، بدون توجه به نرم‌افزار، سخت‌افزار یا سیستم‌عامل، فراهم شود. فایل‌های PDF دارای پسوند .pdf هستند.

برای استخراج متن از یک فایل PDF با استفاده از پایتون، این کتابخانه‌ها معمولاً استفاده می‌شوند. ما به شما نشان خواهیم داد که چگونه متن را از یک PDF با استفاده از هر دوی آن‌ها استخراج کنید.

1. pypdf
2. PyMuPDF

چگونه متن یک فایل PDF را با استفاده از pypdf در پایتون استخراج کنیم

در اینجا مراحل آمده است.

1. نصب pypdf
2. اجرای کد ارائه‌شده در این مقاله
3. مشاهده خروجی

نصب pypdf

می‌توانید pypdf را با استفاده از دستور زیر نصب کنید

pip install pypdf

نمونه کد برای استخراج متن از PDF با استفاده از pypdf

sample.pdf - لینک دانلود (این PDF نمونه در کد استفاده خواهد شد، اما شما می‌توانید از PDF خودتان هم استفاده کنید.)

نمایی از نمونه PDF

کد

اینجا یک مثال کامل کد برای استخراج متن از یک PDF با استفاده از pypdf است.

خروجی

در اینجا خروجی نمونه کدی که در بالا ارائه شده را مشاهده می‌کنید.

چگونه متن یک فایل PDF را با استفاده از PyMuPDF در پایتون استخراج کنیم

در اینجا مراحل آمده است.

1. نصب PyMuPDF
2. اجرای کد ارائه‌شده در این مقاله
3. مشاهده خروجی

نصب PyMuPDF

PyMuPDF، که همچنین به عنوان fitz شناخته می‌شود، را با استفاده از این دستور نصب کنید.

pip install pymupdf

نمونه کد برای استخراج متن از PDF با استفاده از PyMuPDF

ما از همان PDF که قبلاً استفاده شد استفاده کردیم

sample.pdf - لینک دانلود (این PDF نمونه در کد استفاده خواهد شد، اما شما می‌توانید از PDF خودتان هم استفاده کنید.)

کد

اینجا یک مثال کامل کد برای استخراج متن از یک PDF با استفاده از PyMuPDF است.

خروجی

در اینجا خروجی نمونه کدی که در بالا ارائه شده را مشاهده می‌کنید.

نتیجه‌گیری

در این مقاله، نمونه کد پایتون، یک فایل نمونه و خروجی آن‌ها را فراهم کردیم تا چگونگی استخراج متن از یک PDF با استفاده از دو کتابخانه: PyPDF و PyMuPDF را نشان دهیم.

اگر سوالی دارید یا در اجرای کد با مشکلی مواجه می‌شوید، حتماً در انجمن‌های ما نظر بگذارید!

همچنین ببینید

• تبدیل PDF به تصویر در پایتون: راهنمای مرحله به مرحله
• تغییر دسته‌بندی شده کدگذاری فایل به UTF-8

نحوه تبدیل PDF به تصویر در پایتون: راهنمای گام به گام

تبدیل فایل‌های PDF به فرمت‌های تصویری مانند JPEG یا PNG می‌تواند بسیار مفید باشد، به‌ویژه برای سناریوهایی که نیاز به استخراج تصاویر از PDF، نمایش پیش‌نمایش سند یا کار با داده‌های تصویری دارید. پایتون، به‌عنوان یک زبان برنامه‌نویسی همه‌کاره، روش‌های متعدد برای انجام این کار به‌صورت کارآمد را ارائه می‌دهد.

در این راهنما، شما را با فرآیند گام‌به‌گام تبدیل یک PDF به تصویر در پایتون آشنا خواهیم کرد. یاد خواهید گرفت که چگونه با استفاده از کتابخانه‌های محبوب پایتون، نمونه‌های کد و نکات رفع اشکال به این هدف دست یابید. همچنین کد کامل و تصاویر خروجی آن و PDF نمونه‌ای که در داخل آن استفاده شده است را ارائه خواهیم داد.

آنچه برای تبدیل PDF به تصویر در پایتون نیاز دارید

قبل از ورود به کد، مطمئن شوید که ابزارهای لازم برای شروع را دارید. برای این کار، باید کتابخانه‌های زیر را نصب کنید:

1. Pillow: یک کتابخانه محبوب پردازش تصویر در پایتون (PIL) که اغلب برای باز کردن، دستکاری و ذخیره‌سازی فایل‌های تصویری استفاده می‌شود.
2. pdf2image: این کتابخانه به شما کمک می‌کند تا صفحات PDF را در پایتون به تصاویر تبدیل کنید. از Poppler برای رندر کردن صفحات PDF به تصاویر استفاده می‌کند.

نصب کتابخانه‌های مورد نیاز

می‌توانید این کتابخانه‌ها را با استفاده از pip نصب کنید:

pip install pillow pdf2image

اگر Poppler در سیستم شما نصب نشده است، ممکن است نیاز به نصب آن به‌صورت جداگانه داشته باشید. راهنمای نصب برای پلتفرم خود را از اینجا چک کنید.

راهنمای گام‌به‌گام برای تبدیل PDF به تصویر در پایتون

گام 1: وارد کردن کتابخانه‌های ضروری

با وارد کردن کتابخانه‌های ضروری در پایتون شروع کنید:

from pdf2image import convert_from_path
from PIL import Image

گام 2: تبدیل PDF به تصاویر

با وارد کردن کتابخانه‌ها، اکنون می‌توانید یک فایل PDF را به تصاویر تبدیل کنید. به این صورت:

# تبدیل PDF به تصاویر
images = convert_from_path('yourfile.pdf')

# ذخیره هر صفحه به‌عنوان یک تصویر
for i, image in enumerate(images):
    image.save(f'page_{i}.jpg', 'JPEG')

توضیح کد:

• تابع convert_from_path() فایل PDF را به لیستی از شیءهای تصویر PIL تبدیل می‌کند.
• سپس از میان تصاویر برای هر صفحه از PDF عبور کرده و آن را به‌عنوان یک تصویر جداگانه (در اینجا، فرمت JPEG) ذخیره می‌کنیم.

گام 3: اختیاری – تبدیل به فرمت‌های تصویری دیگر

می‌توانید به‌راحتی تصاویر را به فرمت‌های دیگر مانند PNG تبدیل کنید، با تغییر فرمت در متد image.save():

image.save(f'page_{i}.png', 'PNG')

کد کامل

اینجا کد کامل آمده است. به‌راحتی می‌توانید آن را کپی کرده، با هر اسمی و با پسوند .py ذخیره و سپس اجرا کنید. به‌عنوان مثال، می‌توانید آن را convert_pdf_to_images.py نام‌گذاری کنید.

قبل از اجرا، فقط متغیر pdf_path را به مسیر فایل PDF ورودی خود بروزرسانی کنید.

دانلود PDF نمونه و مشاهده اسکرین‌شات آن

می‌توانید از هر PDF استفاده کنید، اما به‌منظور اجرای این کد و تست آن، ما از این PDF خاص استفاده کردیم.

• دانلود PDF نمونه

تصاویر خروجی تولیدشده توسط کد

• page_1.jpg
• page_2.jpg
• page_3.jpg

روش‌های جایگزین برای تبدیل PDF به تصویر در پایتون

در حالی که pdf2image و Poppler به‌طور گسترده استفاده می‌شوند، روش‌های دیگری نیز برای تبدیل PDF به تصویر بدون نیاز به Poppler وجود دارد. برای مثال:

1. استفاده از PyMuPDF (fitz): این کتابخانه به شما اجازه می‌دهد تا تصاویر را از PDF استخراج کرده و دستکاری کنید.

pip install pymupdf

کد نمونه:

import fitz  # PyMuPDF

# باز کردن فایل PDF
doc = fitz.open("yourfile.pdf")

# عبور از هر صفحه و تبدیل به تصویر
for page_num in range(len(doc)):
    page = doc.load_page(page_num)
    pix = page.get_pixmap()
    pix.save(f"page_{page_num}.png")

این روش بدون نیاز به Poppler کار می‌کند و می‌تواند جایگزین خوبی باشد اگر با مشکلات نصب مواجه شدید.

خطاها و رفع اشکال رایج

در حالی که تبدیل فایل‌های PDF به تصاویر در پایتون به‌طور کلی ساده است، ممکن است با برخی مشکلات مواجه شوید. در اینجا برخی از خطاهای رایج و راه‌حل‌های آن‌ها آورده شده است:

1. خطا: OSError: cannot identify image file

   • این معمولاً زمانی رخ می‌دهد که PDF به‌درستی رندر نشده است. اطمینان حاصل کنید که Poppler به‌درستی نصب شده و از محیط پایتون شما قابل دسترسی است.

2. خطا: RuntimeError: cannot open image file

   • این خطا ممکن است زمانی رخ دهد که شما در حال تلاش برای باز کردن یک فرمت تصویر هستید که پشتیبانی نمی‌شود. فرمت تصویری که در آن تصویر را ذخیره می‌کنید (JPEG، PNG و غیره) را دوباره بررسی کنید و اطمینان حاصل کنید که Pillow از آن پشتیبانی می‌کند.

نتیجه‌گیری

تبدیل اسناد PDF به تصاویر در پایتون با کمک کتابخانه‌هایی مانند pdf2image و Pillow ساده است. چه به دنبال استخراج تصاویر از یک PDF باشید یا صرفاً بخواهید هر صفحه را به‌عنوان یک تصویر نمایش دهید، این راهنما به شما نشان داده که چگونه این کار را گام به گام انجام دهید.

به یاد داشته باشید، بسته به نیاز پروژه خود، می‌توانید کتابخانه‌های دیگر پایتون مانند PyMuPDF را نیز بررسی کنید تا به نتایج مشابهی دست‌یابید.

اگر سوالی دارید یا در اجرای این راه‌حل به مشکلی بر‌خورده‌اید، در فروم‌های ما نظر خود را بگذارید!

به اشتراک بگذارید و کشف کنید

اگر این راهنما به شما کمک کرده است، از به اشتراک‌گذاری آن با دیگران دریغ نکنید و برای دریافت نکات و ترفندهای کدنویسی بیشتر، به دیگر راهنماهای مفید ما نگاهی بیندازید!

همچنین ببینید

• تغییر رمزگذاری دسته‌ای فایل به UTF-8

یک زبان برنامه نویسی سطح بالا و شیء که با تعصب کلاس است ، توسط جیمز آرتور گوسلینگ ساخته شده است. طراحی این زبان تا حد امکان وابسته به پیاده سازی کمتر نگه داشته می شود. تقریباً تمام سیستم عامل ها از جاوا پشتیبانی می کنند که یک نحو ساده و آشنا است که یادگیری برای مبتدیان و توسعه دهندگان آسان تر می شود ، نحو آن آسان تر است. جاوا یک زبان کلی است که شیء گرا ، ایمن ، پویا ، قوی و قابل حمل است. بر خلاف سالهای اولیه که IDE خاص و سیستم عامل های خاص برای تهیه کد برخی از زبان های خاص مورد نیاز بودند ، بسیاری از محیط های توسعه یکپارچه با جاوا سازگار هستند. این IDE ها شامل Visual Studio ، Eclipse ، Apache NetBeans ، CodeEnvy و غیره هستند. همه اینها برای تهیه و اجرای کد جاوا مناسب ساخته شده اند.

PHP چیست؟

یک زبان برنامه نویسی دیگر PHP است که به خاطر توسعه وب یک بستر عالی است. در سال 1994 ، راسموس لردورف نسخه های اولیه PHP را به همراه دو همراه خود شروع کرد. توسعه وب بیشتر در وب سرور اجرا می شود. بیش از یک هدف دارد. این می تواند برای توسعه سیستم های مدیریت پایگاه داده رابطه ای ، برنامه نویسی خط فرمان و برنامه های رابط کاربری گرافیکی استفاده شود. در چند سال گذشته ، این زبان روی میلیون ها سرور نصب شده است و برای توسعه میلیون ها وب سایت استفاده شده است. برای برنامه نویسی و توسعه این زبانها ، بسیاری از سرورهای وب در بازار مانند XAMPP ، WAMP ، LAMP ، EasyPHP و غیره در دسترس هستند.

چرا باید آنها مقایسه شوند؟

دلیل مقایسه آنها این است که هر دو برای توسعه وب استفاده می شوند. برای اکثر افراد در زمینه توسعه وب امکان یادگیری همه زبانها وجود ندارد. هر دو جاوا و PHP از کاربرد و شباهت های گسترده ای برخوردار هستند ، بنابراین بیشتر آنها مقایسه می شوند.

سرعت کدگذاری

جاوا حاوی سرعت کدگذاری بهینه شده است اما نتایج زمان لازم است. از طرف دیگر ، PHP شامل کد بهینه کمتر است در حالی که حاوی کدهای نتیجه کوتاهتر و کمتری است.

شهرت

برای بررسی کدام یک از این زبانها از محبوبیت یا شهرت بیشتری برخوردار است ، ما باید توجه شرکت ها و توسعه دهندگان را بدانیم. جاوا در مقایسه با PHP شهرت بیشتری در بین توسعه دهندگان و شرکت ها دارد.

نشاط

نشاط کد یا زبان برنامه نویسی به معنای پایدار بودن نتایج و کد است. این خاصیت در جاوا کمتر است زیرا پس از پروژه از دست رفته است. در PHP متوجه خواهید شد که کد ، نتایج پایدار است و در هر مرحله از سرزندگی برخوردار است.

آسان برای یادگیری

یادگیری هر دوی این موارد آسان تر است زیرا جاوا و PHP بیشتر برای توسعه وب استفاده می شوند که در مقایسه با سایر زبانها یک کار پیچیده نیست.

ایمنی حافظه

جاوا نسبت به PHP امنیت بیشتری دارد زیرا امنیت در برابر حملات به همراه اشکالات موجود در سیستم شما را فراهم می کند. برای این جنبه ، جاوا نسبت به PHP ایمن تر و از حافظه ایمن تر است.

سهولت اسناد

جاوا دارای خواص مستندات ساده تر و کمتری است. از نظر آماری تایپ شده است و مستندات بدون خطا را ارائه می دهد. در حالی که PHP به صورت پویا تایپ می شود و اسناد آن نسبت به جاوا پیچیده است.

بهتر برای حرفه

برای کار حرفه ای ، جاوا ترجیح داده می شود زیرا در هر مرحله ثبات و سرعت بهتری در مقایسه با PHP فراهم می کند. این ممکن است به دلیل دلیل کمتری سرعت و پایداری PHP باشد.

هزینه

هر دو زبان توسعه هستند و در کنار برخی تفاوت ها شباهت دارند. هزینه توسعه جاوا نسبت به PHP بیشتر است. این به دلیل ویژگی ها و الزامات هر دو زبان است.

عملکرد

در این مقایسه ، جاوا در مقایسه با PHP توانایی عملکرد بیشتری دارد. کد پیش فرض جاوا یکی دیگر از مزایای آن است که به توانایی عملکرد بهتر آن می افزاید.

چه زمانی از جاوا و PHP استفاده می شود؟

برای توسعه وب و طراحی وب سایت ، هر دو مورد در مقیاس بزرگ استفاده می شود. اما بر اساس ویژگی هایی که هر دوی اینها ارائه می دهند تفاوت هایی در استفاده وجود دارد

جاوا برای چه چیزی استفاده می شود؟

استفاده خاص از جاوا برای توسعه برنامه ها است. برنامه های مشخص شده به یک رایانه واحد یا توزیع شده در بین رایانه های مختلف از طریق جاوا تهیه می شوند. برنامه های کاربردی مبتنی بر بازی ، ابر ، وب ، موبایل ، رابط کاربری گرافیکی دسک تاپ و فن آوری های بزرگ داده ها در زیر بستر جاوا تهیه شده اند.

PHP برای چه استفاده می شود؟

PHP که یک زبان اسکریپت است ، هدف اصلی این زبان اسکریپت های سمت سرور است. برنامه نویسی خط فرمان به سرورهای وب احتیاج ندارد. این می تواند برای ایجاد برنامه های دسک تاپ با رابط کاربری گرافیکی استفاده شود. PHP بهترین زبان برای این منظور نیست اما ویژگی ها و توانایی های آن برای توسعه وب مناسب است و در مقیاس بزرگ مورد استفاده قرار می گیرد.

خط پایین

با مقایسه ویژگی ها ، شباهت ها ، تفاوت ها ، استفاده و محدودیت های زبانها می توانیم در نظر بگیریم که جاوا بهتر از PHP است زیرا در مقایسه با PHP مزایای بیشتری را ارائه می دهد. اگرچه هر دو برای توسعه برنامه ها و صفحات مورد استفاده قرار می گیرند ، جاوا دارای امکانات بیشتری است که به همین دلیل توسط توسعه دهندگان ترجیح داده می شود.