Python 处理 PDF：PyMuPDF 的安装与使用！

,大家好，我是Python人工智能技术,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。,对于所有支持的文档类型可以：,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:,使用pip安装命令：,pip install PyMuPDF,导入库：,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)。,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。,示例：,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。另外，搜索公众号Java架构师技术后台回复“面试题”，获取一份惊喜礼包。,页面处理是MuPDF功能的核心。,首先，必须创建一个页面Page。这是Document的一种方法：,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：,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：,links是一个Python字典列表。,还可以作为迭代器使用：,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：,b. 呈现页面,此示例创建页面内容的光栅图像：,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：,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：,对opt使用以下字符串之一以获取不同的格式：,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：,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。,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）：,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）：,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：,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。