python处理pdf文件
简介
对pdf文件的常见操作需求包括读取pdf中的文字图表，新建或截取pdf，pdf与其他格式的转换等。通过代码可更灵活的实现各种功能需求。在众多可处理pdf的包中选择PyMuPDF进行介绍。PyMuPDF是MuPDF的python接口，可处理 的文件格式后缀包括 pdf，xps，oxps，cbz，fb2， epub。另外也可处理10余种常见图片格式，包括：png，jpg，bmp，tiff等。
具体功能
- 搜索文本
- 提取文本和图片
- 转换格式为 html，xml，json，txt
- 结合Tesseract使用，可对图片进行OCR 文本提取
- 可作为图片转换器，将读入的文件转换为PNG，PNM，PAM或 Photoshop文件，同时也可以与PIL/Pillow结合使用进行图片操作
- 对于pdf文件，可进行文件和页面的创建，合并和拆分。同时页面可进行插入，删除，替换或重新排列等操作
- 可将pdf重新格式化，以使其能够双面打印，色调分离，添加logo或水印等
- 支持加密，解密，权限设置等密码保护措施
安装
pip install pymupdf 或 PyMuPDF
由于历史原因，导入PyMuPDF 包的语句为：
import fitz
常用操作
以下以 1.18.17 版本为例介绍。
-
读取pdf文件
可直接打开支持的文件类型，输入文件名即可。也可以打开已经由其他工具读取的文件流。打开后，可对其中的页面进行操作。
doc = fitz.open(filename)
# 先从zip压缩文件读取，再使用fitz打开
doc = fitz.open(stream=zfile.read(pdf), filetype="pdf")
# 获取pdf中页面
first_page = doc.load_page(0)
# 或直接遍历
for page in doc:
# do something
-
提取pdf中全部文本或搜索文本
遍历所有页面，获取文本。搜索文本只能在单个页面上进行，可通过遍历获取全部结果。
texts = ""
with fitz.open(path) as doc:
for page in doc:
# 提取文字
texts += page.getText() # 现更改为 page.get_text()
# 在当前页面上搜索指定内容
rect = page.search_for("keyward")
# 或直接在doc水平，加载指定页面进行搜索
doc.search_page_for(page_num,"keyward")
- 图片操作
-
读取各种格式的图片
可读取普通格式，二进制文件流或base64格式的图片。
if type == "byte":
img = fitz.open(stream=f, filetype=filetype)
elif type == "base64":
img = fitz.open(stream=io.BytesIO(base64.b64decode(f)), filetype=filetype)
else:
img = fitz.open(f)
-
提取页面中的图片
首先需要获取xref (cross-reference number)。
xref是交叉引用编号，这是pdf中对象的整数唯一标识。每个pdf都存在一个交叉引用表（物理上可能有几个单独的部分组成）。它存储每个对象的相对位置，以便快速查找。其中item 0是保留项，不会以任何方式使用。 许多PyMuPDF类有一个xref属性(非PDF为0)，可以获得pdf中对象的总数 ：Document.xref_length() - 1。有两种方式获取xref，得到xref后又有两种方式提取图片，如下：
#获取单个页面上图片的xref
Page.get_images()
# 得到pdf的xref数目后全部遍历，找到需要的图片对应的xref
doc.extract_image(xref)
# 2种方式提取图片
pix = fitz.Pixmap(doc, xref)
img = doc.extract_image(xref)
其中Page.get_images()的返回内容为包含多个信息的list，内容为(xref, smask, width, height, bpc, colorspace, alt.colorspace, name, filter, referencer)。
- 页面转换为图片
pix = page.get_pixmap() # render page to an image
pix.save("page-%i.png" % page.number) # 保存图片
- 增加图片分辨率
zoom_x = 2 # 放大2倍
zoom_y = 2
rotate = int(0)
mat = fitz.Matrix(zoom_x, zoom_y).preRotate(rotate)
pix = page.getPixmap(matrix=mat, alpha=False)
- 截取pdf中部分页面生成新的pdf
pdfDoc = fitz.open(pdf_path)
pageNum = pdfDoc.pageCount
pdfDoc.select([i for i in range(pageNum -5, pageNum )]) # 选择最后5页进行保存
pdfDoc.save(new_pdf_path, garbage=3) # 保存为新的pdf
pdfDoc.close()
- 合并多个图片创建为新的pdf文件
doc = fitz.open()
for i, f in enumerate(images):
img = fitz.open(f)
rect = img[0].rect # pic dimension
pdfbytes = img.convert_to_pdf() # 图片转换为pdf字节
img.close() # no longer needed
imgPDF = fitz.open("pdf", pdfbytes) # open stream as PDF
page = doc.new_page(width=rect.width, height=rect.height) # pic dimension
page.show_pdf_page(rect, imgPDF, 0) # 将图片转换后的pdf对象填充到页面
doc.save(outfile)
总结
PyMuPDF中有一些最常用的类，也是pdf各种核心操作的对象，其属性值可提供各种信息，上述各种操作需求也是基于对象方法的使用，仅仅是一些常见需求。更多功能操作或需求，以及全部类更详细的属性方法可参考官方文档。常用的有以下几种：
-
Document
打开一个文件即实例化了一个Document，可通过读取文件或内存获得。部分方法如下：
-
Page
document中的每个页面是Page类。 -
Pixmap
Pixmap是MuPDF渲染能力的核心对象，表示平面像素集。PyMuPDF中有多种方法创建 pixmap，比如 从页面或pdf中图片直接创建，主要用来进行与图片相关的各种操作，比如图片格式转换，缩放，裁剪等。