建站
咨詢
售后
建站咨詢
新聞中心
大家好，我是Python人工智能技術
創(chuàng)新互聯公司是專業(yè)的余杭網站建設公司，余杭接單;提供成都網站建設、網站建設,網頁設計,網站設計,建網站,PHP網站建設等專業(yè)做網站服務;采用PHP框架,可快速的進行余杭網站開發(fā)網頁制作和功能擴展;專業(yè)做搜索引擎喜愛的網站,專業(yè)的做網站團隊,希望更多企業(yè)前來合作!
一、PyMuPDF簡介
1. 介紹
在介紹PyMuPDF之前，先來了解一下MuPDF，從命名形式中就可以看出，PyMuPDF是MuPDF的Python接口形式。
MuPDF
MuPDF 是一個輕量級的 PDF、XPS和電子書查看器。MuPDF 由軟件庫、命令行工具和各種平臺的查看器組成。
MuPDF 中的渲染器專為高質量抗鋸齒圖形量身定制。它以精確到像素的幾分之一內的度量和間距呈現文本，以在屏幕上再現打印頁面的外觀時獲得最高保真度。
這個觀察器很小，速度很快，但是很完整。它支持多種文檔格式，如PDF、XPS、OpenXPS、CBZ、EPUB和FictionBook 2。您可以使用移動查看器對PDF文檔進行注釋和填寫表單(這個功能很快也將應用于桌面查看器)。
命令行工具允許您注釋、編輯文檔，并將文檔轉換為其他格式，如HTML、SVG、PDF和CBZ。您還可以使用Javascript編寫腳本來操作文檔。
PyMuPDF
PyMuPDF(當前版本1.18.17)是支持MuPDF(當前版本1.18.*)的Python綁定。
使用PyMuPDF，你可以訪問擴展名為“.pdf”、“.xps”、“.oxps”、“.cbz”、“.fb2”或“.epub”。此外，大約10種流行的圖像格式也可以像文檔一樣處理:“.png”，“.jpg”，“.bmp”，“.tiff”等。
二. 功能
對于所有支持的文檔類型可以：
- 解密文件
- 訪問元信息、鏈接和書簽
- 以柵格格式（PNG和其他格式）或矢量格式SVG呈現頁面
- 搜索文本
- 提取文本和圖像
- 轉換為其他格式：PDF, (X)HTML, XML, JSON, text
- 對于PDF文檔，存在大量的附加功能:它們可以創(chuàng)建、合并或拆分。頁面可以通過多種方式插入、刪除、重新排列或修改(包括注釋和表單字段)。
- 可以提取或插入圖像和字體
- 完全支持嵌入式文件
- pdf文件可以重新格式化，以支持雙面打印，色調分離，應用標志或水印
- 完全支持密碼保護:解密、加密、加密方法選擇、權限級別和用戶/所有者密碼設置
- 支持圖像、文本和繪圖的 PDF 可選內容概念
- 可以訪問和修改低級 PDF 結構
- 命令行模塊"python \-m fitz…"具有以下特性的多功能實用程序
- 加密/解密/優(yōu)化
- 創(chuàng)建子文檔
- 文檔連接
- 圖像/字體提取
- 完全支持嵌入式文件
- 保存布局的文本提取(所有文檔)
新:布局保存文本提取!
腳本fitzcliy .py通過子命令“gettext”提供不同格式的文本提取。特別有趣的當然是布局保存，它生成的文本盡可能接近原始物理布局，周圍有圖像的區(qū)域，或者在表格和多列文本中復制文本。
三、安裝
PyMuPDF可以從源碼安裝，也可以從wheels安裝。
對于Windows, Linux和Mac OSX平臺，在PyPI的下載部分有wheels。這包括Python 64位版本3.6到3.9。Windows版本也有32位版本。從最近開始，Linux ARM架構也出現了一些問題——查找平臺標簽manylinux2014_aarch64。
除了標準庫，它沒有強制性的外部依賴項。只有在安裝了某些包時，才會有一些不錯的方法:
- Pillow：當使用Pixmap.pil_save()和 Pixmap.pil_tobytes()時需要
- fontTools：當使用Document.subset_fonts()時需要
- pymupdf-fonts 是一個不錯的字體選擇，可以用于文本輸出方法
使用pip安裝命令：
pip install PyMuPDF
導入庫：
import fitz
關于命名fitz的說明
這個庫的標準Python導入語句是import fitz。這是有歷史原因的:
MuPDF的原始渲染庫被稱為Libart。
在Artifex軟件獲得MuPDF項目后，開發(fā)的重點轉移到編寫一種新的現代圖形圖書館稱為“Fitz”。Fitz最初是作為一個研發(fā)項目，以取代老化的Ghostscript圖形庫，但卻成為了MuPDF的渲染引擎(引用自維基百科)。
四、使用方法
1. 導入庫，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. 打開文檔
doc = fitz.open(filename)
這將創(chuàng)建Document對象doc。文件名必須是一個已經存在的文件的python字符串。
也可以從內存數據打開文檔，或創(chuàng)建新的空PDF。您還可以將文檔用作上下文管理器。
3. Document的方法和屬性
|
方法/屬性 |
描述 |
|
? |
頁數 (int) |
|
? |
元數據 (dict) |
|
? |
獲取目錄 (list) |
|
? |
讀取頁面 |
示例：
>>> doc.count_page
1
>>> doc.metadata
{'format': 'PDF 1.7',
'title': '',
'author': '',
'subject': '',
'keywords': '',
'creator': '',
'producer': '福昕閱讀器PDF打印機 版本 10.0.130.3456',
'creationDate': "D:20210810173328+08'00'",
'modDate': "D:20210810173328+08'00'",
'trapped': '',
'encryption': None}
4. 獲取元數據
PyMuPDF完全支持標準元數據。Document.metadata是一個具有以下鍵的Python字典。
它適用于所有文檔類型，但并非所有條目都始終包含數據。元數據字段為字符串，如果未另行指示，則為無。還要注意的是，并非所有數據都始終包含有意義的數據——即使它們不是一個都沒有。另外，搜索公眾號Java架構師技術后臺回復“面試題”，獲取一份驚喜禮包。
|
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. 獲取目標大綱
toc = doc.get_toc()
6. 頁面(Page)
頁面處理是MuPDF功能的核心。
- 您可以將頁面呈現為光柵或矢量（SVG）圖像，可以選擇縮放、旋轉、移動或剪切頁面。
- 您可以提取多種格式的頁面文本和圖像，并搜索文本字符串。
- 對于PDF文檔，可以使用更多的方法向頁面添加文本或圖像。
首先，必須創(chuàng)建一個頁面Page。這是Document的一種方法：
page = doc.load_page(pno) # loads page number 'pno' of the document (0-based)
page = doc[pno] # the short form
這里可以使用任何整數-inf 更高級的方法是將文檔用作頁面的迭代器： a. 檢查頁面的鏈接、批注或表單字段 使用某些查看器軟件顯示文檔時，鏈接顯示為==“熱點區(qū)域”==。如果您在光標顯示手形符號時單擊，您通常會被帶到該熱點區(qū)域中編碼的標記。以下是如何獲取所有鏈接： links是一個Python字典列表。 還可以作為迭代器使用： 如果處理PDF文檔頁面，還可能存在注釋（Annot）或表單字段（Widget），每個字段都有自己的迭代器： b. 呈現頁面 此示例創(chuàng)建頁面內容的光柵圖像： pix是一個Pixmap對象，它（在本例中）包含頁面的RGB圖像，可用于多種用途。 方法Page.get_pixmap()提供了許多用于控制圖像的變體：分辨率、顏色空間（例如，生成灰度圖像或具有減色方案的圖像）、透明度、旋轉、鏡像、移位、剪切等。 例如：創(chuàng)建RGBA圖像（即，包含alpha通道），指定pix=page.get_pixmap（alpha=True）。\ Pixmap包含以下引用的許多方法和屬性。其中包括整數寬度、高度（每個像素）和跨距（一個水平圖像行的字節(jié)數）。屬性示例表示表示圖像數據的矩形字節(jié)區(qū)域（Python字節(jié)對象）。 還可以使用page.get_svg_image()創(chuàng)建頁面的矢量圖像。 c. 將頁面圖像保存到文件中 我們可以簡單地將圖像存儲在PNG文件中： d. 提取文本和圖像 我們還可以以多種不同的形式和細節(jié)級別提取頁面的所有文本、圖像和其他信息： 對opt使用以下字符串之一以獲取不同的格式： e. 搜索文本 您可以找到某個文本字符串在頁面上的確切位置： 這將提供一個矩形列表，每個矩形都包含一個字符串“mupdf”（不區(qū)分大小寫）。您可以使用此信息來突出顯示這些區(qū)域（僅限PDF）或創(chuàng)建文檔的交叉引用。 PDF是唯一可以使用PyMuPDF修改的文檔類型。其他文件類型是只讀的。 但是，您可以將任何文檔（包括圖像）轉換為PDF，然后將所有PyMuPDF功能應用于轉換結果,Document.convert_to_pdf()。 Document.save()始終將PDF以其當前（可能已修改）狀態(tài)存儲在磁盤上。 通常，您可以選擇是保存到新文件，還是僅將修改附加到現有文件（“增量保存”），這通常要快得多。 下面介紹如何操作PDF文檔。 a. 修改、創(chuàng)建、重新排列和刪除頁面 有幾種方法可以操作所謂頁面樹（描述所有頁面的結構）： b. 連接和拆分PDF文檔 方法Document.insert_pdf()在不同的pdf文檔之間復制頁面。下面是一個簡單的joiner示例（doc1和doc2在PDF中打開）： 下面是一個拆分doc1的片段。它將創(chuàng)建第一頁和最后10頁的新文檔： c. 保存 Document.save()將始終以當前狀態(tài)保存文檔。 您可以通過指定選項incremental=True將更改寫回原始PDF。這個過程（通常）非?？欤驗楦臅郊拥皆嘉募?，而不會完全重寫它。 d. 關閉 在程序繼續(xù)運行時，通常需要“關閉”文檔以將底層文件的控制權交給操作系統(tǒng)。 這可以通過Document.close()方法實現。除了關閉基礎文件外，還將釋放與文檔關聯的緩沖區(qū)。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'
# get all links on a page
links = page.get_links()for link in page.links():
# do something with 'link'for annot in page.annots():
# do something with 'annot'
for field in page.widgets():
# do something with 'field'pix = page.get_pixmap()
pix.save("page-%i.png" % page.number)text = page.get_text(opt)
areas = page.search_for("mupdf")7. PDF操作
# append complete doc2 to the end of doc1
doc1.insert_pdf(doc2)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")
分享題目：Python處理PDF：PyMuPDF的安裝與使用！
本文地址：http://m.fisionsoft.com.cn/article/ccohhdh.html
