Python处理PDF神器PyMuPDF的安装与使用
1. PyMuPDF
简介
1.1. 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。
1.1.1. 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。
1.1.2. 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。
1.2. 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
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。
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)
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
3.1. 导入库,查看版本
import fitzprint(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).
3.2. 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。
3.3. Document的方法和属性
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}
3.4. 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。
3.5. 获取目标大纲
toc = doc.get_toc()
3.6. 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<pno<page_count
。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!
3.6.1. 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'
3.6.2. 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。
3.6.3. 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)
3.6.4. 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。
3.6.5. 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。
3.7. 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。
3.7.1. 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<page_ count
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:
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)。
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
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)。
3.7.2. 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 doc1doc1.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 PDFdoc2.insert_pdf(doc1, to_page = 9) # first 10 pagesdoc2.insert_pdf(doc1, from_page = len(doc1) - 10) # last 10 pagesdoc2.save("first-and-last-10.pdf")
3.7.3. 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。
3.7.4. 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。
Python处理PDF神器PyMuPDF的安装与使用相关推荐
- Python处理PDF神器:PyMuPDF的安装与使用
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. MuPDF MuPDF 是一个轻量级的 ...
- [Python工具]pdf表格提取camelot安装教程
pdf表格提取camelot安装教程 经过测试,macos 与win10 均可以用一下方式安装 Camelot: 一个友好的PDF表格数据抽取工具 一个python命令行工具,使任何人都能很轻松的从P ...
- python一款神器:ptpython 安装
1.下载:https://pypi.python.org/pypi/ptpython/ 2.解压后安装: # pip install ptpython 3.启动: # ptpython
- python 视频下载神器(you-get) 的安装和用法
0x01 安装 pip3 install you-get $ pip3 install --upgrade you-get 命令行输入you-get 如果有以下回显说明安装成功 0x02 用法 Usa ...
- 干货!Python操作PDF的神器——PyMuPDF
点击上方"菜鸟学Python",选择"星标"公众号 超级无敌干货,第一时间送达!!! 来源:网络 01 PyMuPDF简介 1. 介绍 大家好,我是菜鸟哥.长假 ...
- Python处理PDF——PyMuPDF的安装与使用
推荐阅读: 1.程序员用Python爬虫做副业半个月就赚了3W 2.一个30岁的程序员无比挣扎的故事,连躺平都是奢望 1.PyMuPDF简介 介绍 在介绍PyMuPDF之前,先来了解一下MuPDF,从 ...
- Python处理PDF——PyMuPDF的安装与使用(1)
文章目录 1.`PyMuPDF`简介 1. 资料链接 2. 介绍 3. 功能 2.安装 关于命名`fitz`的说明 3.使用方法 1. 导入库,查看版本 2. 打开文档 3. Document的方法和 ...
- Python 处理 PDF 的神器 -- PyMuPDF
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. MuPDF MuPDF 是一个轻量级的 ...
- Python 处理 PDF —— PyMuPDF 的安装与使用
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. MuPDF MuPDF 是一个轻量级的 ...
最新文章
- pythonunbuffered_python所遇到的坑
- 获取NT的admin权限的方法
- Python——七段数码管绘制
- python字符串切割:str.split()和re.split()对比
- dealloc时取weakself引起崩溃
- spd耗材管理流程图_国药器械山东公司助力济宁医学院附属医院SPD项目成功启动...
- RGB转YUV420
- 安卓逆向_22( 二 ) --- Xposed 学习记录
- python在土木工程方面的应用案例_给Python小白看的10个使用案例,入门Python就在这里了...
- gcc编译出现:error: dereferencing pointer to incomplete type
- 华为机试HJ46:截取字符串
- teamview外网连接服务器虚拟主机,利用路由器端口映射+桥接虚拟机搭建个人服务器...
- 2021概率论与数理统计辅导讲义-李林
- Smobiler错误记录
- PCB LAYOUT 设计民睿科技有限公司承接PCBLAYOUT项目
- H26x 编解码 - GOP 模式
- win10c语言乱码修复方法,大神详解win10系统记事本中文变乱码的处理方案
- 纽约客:变态连环杀手正在被算法迅速围剿
- Very Deep Convolutional Networks for Large-Scale Image Recognition—中英文对照
- 如何时重启打印机服务bat命令,打印机重启服务脚本 Win7打印机服务怎么开启 Win7开启打印机服务的设置的两种方法
热门文章
- 【已更新】万能门店小程序独立版V5.1二开完整版 无限DIY+不限制小程序生成数量+数10款插件
- netDxf实现对cad文件的读取与写入
- pycharm 自动补全代码提示前符号f,m , p,c,v是什么意思?
- 2023年全国最新交安安全员精选真题及答案3
- 最近经常看到网上程序员被抓,如何避免面向监狱编程!?
- Java三部曲(二)JavaWeb
- 第十二届noc网络机器人赛项成绩_2017年第15届中小学NOC活动全国决赛机器人超市购物赛项获奖结果...
- 挑战程序设计竞赛——详解DFS及BFS
- jmeter 3版本到5版本踩坑之路
- nginx php 设置时区,laravel5.8(二十)解决时区设置差8个小时解决办法