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
Java
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。
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
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
Ghost
图形库，但却成为了MuPDF的渲染引擎(引用自维基百科)。
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
'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<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：
# ... 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：
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<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：
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）：
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。
入门:
最全的零基础学Python的问题
|
零基础学了8个月的Python
|
实战项目
| 学Python就是这条捷径
干货:
爬取豆瓣短评，电影《后来的我们》
|
38年NBA最佳球员分析
|
从万众期待到口碑扑街！唐探3令人失望
| 笑看新倚天屠龙记 | 灯谜答题王 ｜
用Python做个海量小姐姐素描图 ｜ 碟中谍这么火，我用机器学习做个迷你推荐系统电影
趣味:
弹球游戏
|
九宫格
| 漂亮的花 | 两百行Python《天天酷跑》游戏!
AI:
会做诗的机器人 | 给图片上色 | 预测收入 | 碟中谍这么火，我用机器学习做个迷你推荐系统电影
小工具:
Pdf转Word，轻松搞定表格和水印！
|
一键把html网页保存为pdf！
|
再见PDF提取收费！
|
用90行代码打造最强PDF转换器，word、PPT、excel、markdown、html一键转换
|
制作一款钉钉低价机票提示器！
｜
60行代码做了一个语音壁纸切换器天天看小姐姐！
｜
年度爆款文案
返回搜狐，查看更多
1). 卧槽！Pdf转Word用Python轻松搞定 ！
2).学Python真香！我用100行代码做了个网站，帮人PS旅行图片，赚个鸡腿吃
3).首播过亿，火爆全网，我分析了《乘风破浪的姐姐》，发现了这些秘密
4). 80行代码！用Python做一个哆来A梦分身
5).你必须掌握的20个python代码，短小精悍，用处无穷
6). 30个Python奇淫技巧集
7). 我总结的80页《菜鸟学Python精选干货.pdf》,都是干货
8). 再见Python！我要学Go了！2500字深度分析 ！
9).发现一个舔狗福利！这个Python爬虫神器太爽了，自动下载妹子图片
责任编辑：
声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。
发布于：
山西省
