Python 处理 PDF 的神器 -- PyMuPDF
这是「进击的Coder」的第 724 篇技术分享
作者：冰__蓝
来源：https://blog.csdn.net/ling620/article/details/120035699
“
阅读本文大概需要 13 分钟。
”# 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 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。
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-infdoc[-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
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
崔庆才的新书《Python3网络爬虫开发实战（第二版）》已经正式上市了！书中详细介绍了零基础用 Python 开发爬虫的各方面知识，同时相比第一版新增了 JavaScript 逆向、Android 逆向、异步爬虫、深度学习、Kubernetes 相关内容，同时本书已经获得 Python 之父 Guido 的推荐，目前本书正在七折促销中！
内容介绍：《Python3网络爬虫开发实战（第二版）》内容介绍
扫码购买
点个在看你最好看
