Python處理PDF——PyMuPDF的安裝與使用！
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。
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。
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)。
3、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
|------
|Document.page_count|頁數 (int)
|Document.metadata|元數據 (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。
|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<pno<page_count。負數從末尾開始倒數，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. 呈現頁面
此示例創(chuàng)建頁面內容的光柵圖像：
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、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：
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）：
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，參數是要保留的頁碼序列。這些整數都必須在0<=i<page_ count范圍內。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，次數相同（！）正如您所指定的那樣。因此，您可以輕松地使用創(chuàng)建新的PDF：- 第一頁或最后10頁- 僅奇數頁或偶數頁（用于雙面打印）- 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、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(lián)的緩沖區(qū)。
萬水千山總是情，點個????行不行。 老表薦書
圖書介紹：《人工智能算法基礎》
（1）零基礎也能快速入門。本書從最基礎的算法基礎講起，由淺入深，層層遞進，在鞏固固有知識的同時深入講解人工智能的算法原理，無論讀者是否從事計算機相關行業(yè)，是否接觸過人工智能，都能通過本書實現快速入門。
（2）理論和實踐相結合。每章最后提供根據所在章的理論知識點精心設計的“應用”，讀者可以通過應用實例進行實踐操作，為以后的算法學習奠定基礎。
（3）大量范例源碼+習題答案，為學習排憂解難。本書所有示例都有清晰完整的源碼，每章之后設有習題并配套題目答案，講解清晰，解決讀者在學習中的所有困惑。
點擊下方小程序直接購買學習
我們的文章到此就結束啦~記得點贊
如何找到我：