Python 處理 PDF 的神器 -- PyMuPDF

這是「進擊的Coder」的第 724 ?篇技術(shù)分享 作者：冰__藍 來源：https://blog.csdn.net/ling620/article/details/120035699
“

閱讀本文大概需要 13 分鐘。

”

# 1、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(zhì)量抗鋸齒圖形量身定制。它以精確到像素的幾分之一內(nèi)的度量和間距呈現(xiàn)文本，以在屏幕上再現(xiàn)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(yīng)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(zhuǎn)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。

# 2. 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(xiàn)頁面

• 搜索文本

• 提取文本和圖像

• 轉(zhuǎn)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(diào)分離，應(yīng)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(quán)限級別和用戶/所有者密碼設(shè)置

• 支持圖像、文本和繪圖的 PDF 可選內(nèi)容概念

• 可以訪問和修改低級 PDF 結(jié)構(gòu)

• 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(fù)制文本。

# 2、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(gòu)也出現(xiàn)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(dǎo)入庫：

      import?fitz

    

?關(guān)于命名`fitz`的說明

這個庫的標準Python導(dǎo)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(zhuǎn)移到編寫一種新的現(xiàn)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)。

# 3、使用方法

?1. 導(dǎo)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(jīng)存在的文件的python字符串。
也可以從內(nèi)存數(shù)據(jù)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
Document.page_count	頁數(shù) (int)
Document.metadata	元數(shù)據(jù) (dict)
Document.get_toc()	獲取目錄 (list)
Document.load_page()	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(shù)據(jù)

PyMuPDF完全支持標準元數(shù)據(jù)。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(shù)據(jù)。元數(shù)據(jù)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(shù)據(jù)都始終包含有意義的數(shù)據(jù)——即使它們不是一個都沒有。

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. 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(xiàn)為光柵或矢量（SVG）圖像，可以選擇縮放、旋轉(zhuǎn)、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(shù)-inf<pno<page_count。負數(shù)從末尾開始倒數(shù)，所以doc[-1]是最后一頁，就像Python序列一樣。

更高級的方法是將文檔用作頁面的迭代器：

      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'

    

接下來，主要介紹Page的常用操作！

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：

      #?get?all?links?on?a?page
links?=?page.get_links()

    

links是一個Python字典列表。

還可以作為迭代器使用：

      for?link?in?page.links():
????#?do?something?with?'link'

    

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：

      for?annot?in?page.annots():
????#?do?something?with?'annot'

for?field?in?page.widgets():
????#?do?something?with?'field'

    

b. 呈現(xiàn)頁面

此示例創(chuàng)建頁面內(nèi)容的光柵圖像：

      pix?=?page.get_pixmap()

    

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(zhuǎn)、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(shù)寬度、高度（每個像素）和跨距（一個水平圖像行的字節(jié)數(shù)）。屬性示例表示表示圖像數(shù)據(jù)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：

      pix.save("page-%i.png"?%?page.number)

    

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：

      text?=?page.get_text(opt)

    

對opt使用以下字符串之一以獲取不同的格式：

• "text"：（默認）帶換行符的純文本。無格式、無文字位置詳細信息、無圖像

• "blocks"：生成文本塊（段落）的列表

• "words"：生成單詞列表（不包含空格的字符串）

• "html"：創(chuàng)建頁面的完整視覺版本，包括任何圖像。這可以通過internet瀏覽器顯示

• "dict"/"json"：與HTML相同的信息級別，但作為Python字典或resp.JSON字符串。

• "rawdict"/"rawjson"："dict"/"json"的超級集合。它還提供諸如XML之類的字符詳細信息。

• "xhtml"：文本信息級別與文本版本相同，但包含圖像。

• "xml"：不包含圖像，但包含每個文本字符的完整位置和字體信息。使用XML模塊進行解釋。

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：

      areas?=?page.search_for("mupdf")

    

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。

?7. PDF操作

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(zhuǎn)換為PDF，然后將所有PyMuPDF功能應(yīng)用于轉(zhuǎn)換結(jié)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(xiàn)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(jié)構(gòu)）：

• PDF:Document.delete_page()和Document.delete_pages()刪除頁面

• Document.copy_page()、Document.fullcopy_page()和Document.move_page()將頁面復(fù)制或移動到同一文檔中的其他位置。

• Document.select()將PDF壓縮到選定頁面，參數(shù)是要保留的頁碼序列。這些整數(shù)都必須在0<=i<page_ count范圍內(nèi)。執(zhí)行時，此列表中缺少的所有頁面都將被刪除。剩余的頁面將按順序出現(xiàn)，次數(shù)相同（?。┱缒付ǖ哪菢印?/p>

  因此，您可以輕松地使用創(chuàng)建新的PDF：

• - 第一頁或最后10頁

  • 僅奇數(shù)頁或偶數(shù)頁（用于雙面打?。?/span>

  • 包含或不包含給定文本的頁

  • 顛倒頁面順序

• 保存的新文檔將包含仍然有效的鏈接、注釋和書簽（i.a.w.指向所選頁面或某些外部資源）。

• Document.insert_page()和Document.new_page()插入新頁面。

此外，頁面本身可以通過一系列方法進行修改（例如頁面旋轉(zhuǎn)、注釋和鏈接維護、文本和圖像插入）。

b. 連接和拆分PDF文檔

方法Document.insert_pdf()在不同的pdf文檔之間復(fù)制頁面。下面是一個簡單的joiner示例（doc1和doc2在PDF中打開）：

      #?append?complete?doc2?to?the?end?of?doc1
doc1.insert_pdf(doc2)

    

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：

      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()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）非常快，因為更改會附加到原始文件，而不會完全重寫它。

d. 關(guān)閉

在程序繼續(xù)運行時，通常需要“關(guān)閉”文檔以將底層文件的控制權(quán)交給操作系統(tǒng)。

這可以通過Document.close()方法實現(xiàn)。除了關(guān)閉基礎(chǔ)文件外，還將釋放與文檔關(guān)聯(lián)的緩沖區(qū)。

End

崔慶才的新書《Python3網(wǎng)絡(luò)爬蟲開發(fā)實戰(zhàn)（第二版）》已經(jīng)正式上市了！書中詳細介紹了零基礎(chǔ)用 Python 開發(fā)爬蟲的各方面知識，同時相比第一版新增了 JavaScript 逆向、Android 逆向、異步爬蟲、深度學習、Kubernetes 相關(guān)內(nèi)容，?同時本書已經(jīng)獲得 Python 之父 Guido 的推薦，目前本書正在七折促銷中！

內(nèi)容介紹：《Python3網(wǎng)絡(luò)爬蟲開發(fā)實戰(zhàn)（第二版）》內(nèi)容介紹

掃碼購買

點個在看你最好看