Python 处理 PDF神器 —— PyMuPDF 的安装与使用!
前言
1、PyMuPDF简介
1. 介绍
在介绍PyMuPDF
之前,先来了解一下MuPDF
,从命名形式中就可以看出,PyMuPDF
是MuPDF
的Python
接口形式。
(文末有彩蛋)
MuPDF
MuPDF
是一个轻量级的 PDF、XPS
和电子书查看器。MuPDF
由软件库、命令行工具和各种平台的查看器组成。
MuPDF
中的渲染器专为高质量抗锯齿图形量身定制。它以精确到像素的几分之一内的度量和间距呈现文本,以在屏幕上再现打印页面的外观时获得最高保真度。
这个观察器很小,速度很快,但是很完整。它支持多种文档格式,如PDF
、XPS
、OpenXPS
、CBZ
、EPUB
和FictionBook 2
。您可以使用移动查看器对PDF
文档进行注释和填写表单(这个功能很快也将应用于桌面查看器)。
命令行工具允许您注释、编辑文档,并将文档转换为其他格式,如HTML、SVG、PDF
和CBZ
。您还可以使用Javascript
编写脚本来操作文档。
(文末有彩蛋)
PyMuPDF
PyMuPDF
(当前版本1.18.17)是支持MuPDF
(当前版本1.18.*)的Python绑定。
使用PyMuPDF
,你可以访问扩展名为“.pdf”、“.xps”、“.oxps”、“.cbz”、“.fb2”
或“.epub”
。此外,大约10种流行的图像格式也可以像文档一样处理:“.png”,“.jpg”,“.bmp”,“.tiff”
等。
2. 功能
对于所有支持的文档类型可以:
-
解密文件
-
访问元信息、链接和书签
-
以栅格格式(
PNG
和其他格式)或矢量格式SVG
呈现页面 -
搜索文本
-
提取文本和图像
-
转换为其他格式:
PDF, (X)HTML, XML, JSON, text
对于
PDF
文档,存在大量的附加功能:它们可以创建、合并或拆分。页面可以通过多种方式插入、删除、重新排列或修改(包括注释和表单字段)。 -
可以提取或插入图像和字体
-
完全支持嵌入式文件
-
pdf文件可以重新格式化,以支持双面打印,色调分离,应用标志或水印
-
完全支持密码保护:解密、加密、加密方法选择、权限级别和用户/所有者密码设置
-
支持图像、文本和绘图的 PDF 可选内容概念
-
可以访问和修改低级 PDF 结构
-
命令行模块
"python \-m fitz…"
具有以下特性的多功能实用程序 -
- 加密/解密/优化
- 创建子文档
- 文档连接
- 图像/字体提取
- 完全支持嵌入式文件
- 保存布局的文本提取(所有文档)
-
新:布局保存文本提取!
-
脚本
fitzcliy .py
通过子命令“gettext”
提供不同格式的文本提取。特别有趣的当然是布局保存,它生成的文本尽可能接近原始物理布局,周围有图像的区域,或者在表格和多列文本中复制文本。
2、安装
PyMuPDF
可以从源码安装,也可以从wheels
安装。
对于Windows, Linux
和Mac OSX
平台,在PyPI
的下载部分有wheels
。这包括Python 64位版本3.6到3.9
。Windows版本也有32位版本。从最近开始,Linux ARM架构也出现了一些问题——查找平台标签manylinux2014_aarch64
。
除了标准库,它没有强制性的外部依赖项。只有在安装了某些包时,才会有一些不错的方法:
Pillow
:当使用Pixmap.pil_save()
和Pixmap.pil_tobytes()
时需要fontTools
:当使用Document.subset_fonts()
时需要pymupdf-fonts
是一个不错的字体选择,可以用于文本输出方法
使用pip
安装命令:
pip install PyMuPDF
导入库:
import fitz
关于命名fitz
的说明
这个库的标准Python
导入语句是import fitz
。这是有历史原因的:
MuPDF
的原始渲染库被称为Libart
。
在Artifex软件获得MuPDF
项目后,开发的重点转移到编写一种新的现代图形图书馆称为“Fitz”
。Fitz
最初是作为一个研发项目,以取代老化的Ghostscript
图形库,但却成为了MuPDF的渲染引擎(引用自维基百科)。
3、使用方法
1. 导入库,查看版本
import fitz
print(fitz.__doc__)
PyMuPDF 1.18.16: Python bindings for the MuPDF 1.18.0 library.
Version date: 2021-08-05 00:00:01.
Built for Python 3.8 on linux (64-bit).
2. 打开文档
doc = fitz.open(filename)
这将创建Document
对象doc
。文件名必须是一个已经存在的文件的python字符串。
也可以从内存数据打开文档,或创建新的空PDF。您还可以将文档用作上下文管理器。
3. Document的方法和属性
方法/属性 | 描述 |
---|---|
Document.page_count | 页数 (int) |
Document.metadata | 元数据 (dict) |
Document.get_toc() | 获取目录 (list) |
Document.load_page() | 读取页面 |
示例:
>>> doc.count_page
1
>>> doc.metadata
{'format': 'PDF 1.7',
'title': '',
'author': '',
'subject': '',
'keywords': '',
'creator': '',
'producer': '福昕阅读器PDF打印机 版本 10.0.130.3456',
'creationDate': "D:20210810173328+08'00'",
'modDate': "D:20210810173328+08'00'",
'trapped': '',
'encryption': None}
4. 获取元数据
PyMuPDF
完全支持标准元数据。Document.metadata
是一个具有以下键的Python字典。
它适用于所有文档类型,但并非所有条目都始终包含数据。元数据字段为字符串,如果未另行指示,则为无。还要注意的是,并非所有数据都始终包含有意义的数据——即使它们不是一个都没有。
Key | Value |
---|---|
producer | producer (producing software) |
format | format: ‘PDF-1.4’, ‘EPUB’, etc. |
encryption | encryption method used if any |
author | author |
modDate | date of last modification |
keywords | keywords |
title | title |
creationDate | date of creation |
creator | creating application |
subject | subject |
5. 获取目标大纲
toc = doc.get_toc()
6. 页面(Page
)
页面处理是MuPDF
功能的核心。
- 您可以将页面呈现为光栅或矢量(
SVG
)图像,可以选择缩放、旋转、移动或剪切页面。 - 您可以提取多种格式的页面文本和图像,并搜索文本字符串。
- 对于
PDF
文档,可以使用更多的方法向页面添加文本或图像。
首先,必须创建一个页面Page
。这是Document
的一种方法:
page = doc.load_page(pno) # loads page number 'pno' of the document (0-based)
page = doc[pno] # the short form
这里可以使用任何整数-inf。负数从末尾开始倒数,所以doc[-1]是最后一页,就像Python序列一样。
更高级的方法是将文档用作页面的迭代器:
for page in doc:
# do something with 'page'
# ... or read backwards
for page in reversed(doc):
# do something with 'page'
# ... or even use 'slicing'
for page in doc.pages(start, stop, step):
# do something with 'page'
接下来,主要介绍Page的常用操作!
a. 检查页面的链接、批注或表单字段
使用某些查看器软件显示文档时,链接显示为==“热点区域”==。如果您在光标显示手形符号时单击,您通常会被带到该热点区域中编码的标记。以下是如何获取所有链接:
# get all links on a page
links = page.get_links()
links是一个Python字典列表。
还可以作为迭代器使用:
for link in page.links():
# do something with 'link'
如果处理PDF文档页面,还可能存在注释(Annot)或表单字段(Widget),每个字段都有自己的迭代器:
for annot in page.annots():
# do something with 'annot'
for field in page.widgets():
# do something with 'field'
b. 呈现页面
此示例创建页面内容的光栅图像:
pix = page.get_pixmap()
pix是一个Pixmap对象,它(在本例中)包含页面的RGB图像,可用于多种用途。
方法Page.get_pixmap()提供了许多用于控制图像的变体:分辨率、颜色空间(例如,生成灰度图像或具有减色方案的图像)、透明度、旋转、镜像、移位、剪切等。
例如:创建RGBA图像(即,包含alpha通道),指定pix=page.get_pixmap(alpha=True)。
Pixmap包含以下引用的许多方法和属性。其中包括整数宽度、高度(每个像素)和跨距(一个水平图像行的字节数)。属性示例表示表示图像数据的矩形字节区域(Python字节对象)。
还可以使用page.get_svg_image()创建页面的矢量图像。
c. 将页面图像保存到文件中
我们可以简单地将图像存储在PNG文件中:
pix.save("page-%i.png" % page.number)
d. 提取文本和图像
我们还可以以多种不同的形式和细节级别提取页面的所有文本、图像和其他信息:
text = page.get_text(opt)
对opt使用以下字符串之一以获取不同的格式:
- `"text":(默认)带换行符的纯文本。无格式、无文字位置详细信息、无图像`
- `"blocks":生成文本块(段落)的列表`
- `"words":生成单词列表(不包含空格的字符串)`
- `"html":创建页面的完整视觉版本,包括任何图像。这可以通过internet浏览器显示`
- `"dict"/"json":与HTML相同的信息级别,但作为Python字典或resp.JSON字符串。`
- `"rawdict"/"rawjson":"dict"/"json"的超级集合。它还提供诸如XML之类的字符详细信息。`
- `"xhtml":文本信息级别与文本版本相同,但包含图像。`
- `"xml":不包含图像,但包含每个文本字符的**完整位置和字体信息**。使用XML模块进行解释。`
e. 搜索文本
您可以找到某个文本字符串在页面上的确切位置:
areas = page.search_for("mupdf")
这将提供一个矩形列表,每个矩形都包含一个字符串“mupdf”(不区分大小写)。您可以使用此信息来突出显示这些区域(仅限PDF)或创建文档的交叉引用。
7. PDF操作
PDF是唯一可以使用PyMuPDF修改的文档类型。其他文件类型是只读的。
但是,您可以将任何文档(包括图像)转换为PDF,然后将所有PyMuPDF功能应用于转换结果,Document.convert_to_pdf()。
Document.save()始终将PDF以其当前(可能已修改)状态存储在磁盘上。
通常,您可以选择是保存到新文件,还是仅将修改附加到现有文件(“增量保存”),这通常要快得多。
下面介绍如何操作PDF文档。
a. 修改、创建、重新排列和删除页面
有几种方法可以操作所谓页面树(描述所有页面的结构):
-
PDF:Document.delete_page()和Document.delete_pages()删除页面
-
Document.copy_page()、Document.fullcopy_page()和Document.move_page()将页面**复制或移动**到同一文档中的其他位置。
-
Document.select()将PDF压缩到选定页面,参数是要保留的页码序列。这些整数都必须在0<=i范围内。执行时,此列表中缺少的所有页面都将被删除。剩余的页面将按顺序出现,次数相同(!)正如您所指定的那样。
因此,您可以轻松地使用创建新的PDF:
-
第一页或最后10页
仅奇数页或偶数页(用于双面打印)
包含或不包含给定文本的页
颠倒页面顺序
-
保存的新文档将包含仍然有效的链接、注释和书签(i.a.w.指向所选页面或某些外部资源)。
-
Document.insert_page()和Document.new_page()插入新页面。
此外,页面本身可以通过一系列方法进行修改(例如页面旋转、注释和链接维护、文本和图像插入)。
b. 连接和拆分PDF文档
方法Document.insert_pdf()在不同的pdf文档之间复制页面。下面是一个简单的joiner示例(doc1和doc2在PDF中打开):
# append complete doc2 to the end of doc1
doc1.insert_pdf(doc2)
下面是一个拆分doc1的片段。它将创建第一页和最后10页的新文档:
doc2 = fitz.open() # new empty PDF
doc2.insert_pdf(doc1, to_page = 9) # first 10 pages
doc2.insert_pdf(doc1, from_page = len(doc1) - 10) # last 10 pages
doc2.save("first-and-last-10.pdf")
c. 保存
Document.save()将始终以当前状态保存文档。
您可以通过指定选项incremental=True将更改写回原始PDF。这个过程(通常)非常快,因为更改会附加到原始文件,而不会完全重写它。
d. 关闭
在程序继续运行时,通常需要“关闭”文档以将底层文件的控制权交给操作系统。
这可以通过Document.close()方法实现。除了关闭基础文件外,还将释放与文档关联的缓冲区。
—END—
读者福利:如果你喜欢编程,那这套python学习资料一定对你有用,
对于0基础小白入门:
如果你是零基础小白,想快速入门Python是可以考虑的。
一方面是学习时间相对较短,学习内容更全面更集中。
二方面是可以找到适合自己的学习方案
包括:Python安装包+激活码、Python web开发,Python爬虫,Python数据分析,人工智能、机器学习等教程。带你从零基础系统性的学好Python!
零基础Python学习资源介绍
👉Python学习路线汇总👈
Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。(学习教程文末领取哈)
👉Python必备开发工具👈
温馨提示:篇幅有限,已打包文件夹,获取方式在:文末
👉Python学习视频600合集👈
观看零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。
👉实战案例👈
当我学到一定基础,有自己的理解能力的时候,会去阅读一些前辈整理的书籍或者手写的笔记资料,这些笔记详细记载了他们对一些技术点的理解,这些理解是比较独到,可以学到不一样的思路。
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
👉100道Python练习题👈
检查学习结果。
👉面试刷题👈
资料领取
这份完整版的Python全套学习资料已为大家备好,朋友们如果需要可以微信扫描下方二维码添加,输入"领取资料" 可免费领取全套资料【有什么需要协作的还可以随时联系我】朋友圈也会不定时的更新最前言python知识。↓↓↓
或者
【点此链接】领取
好文推荐
了解python的前景: https://blog.csdn.net/weixin_49892805/article/details/127196159
了解python的副业: https://blog.csdn.net/weixin_49892805/article/details/127214402
更多推荐
所有评论(0)