Helo semua, Saya Teknologi Kecerdasan Buatan Python
MuPDF
MuPDF ialah pemapar PDF, XPS dan e-buku yang ringan. MuPDF terdiri daripada perpustakaan perisian, alat baris arahan dan penonton untuk pelbagai platform. Penyaji dalam MuPDF dibuat khusus untuk grafik anti-alias berkualiti tinggi. Ia menjadikan teks dengan ukuran dan jarak tepat hingga dalam pecahan piksel untuk kesetiaan maksimum dalam menghasilkan semula rupa halaman bercetak pada skrin. Penonton ini kecil, pantas, tetapi lengkap. Ia menyokong berbilang format dokumen seperti PDF, XPS, OpenXPS, CBZ, EPUB dan FictionBook 2. Anda boleh menggunakan pemapar mudah alih untuk menganotasi dan mengisi borang dalam dokumen PDF (ciri ini juga akan tersedia untuk penonton desktop tidak lama lagi). Alat baris arahan membolehkan anda membuat anotasi, mengedit dan menukar dokumen kepada format lain seperti HTML, SVG, PDF dan CBZ. Anda juga boleh menulis skrip menggunakan Javascript untuk memanipulasi dokumen.PyMuPDF
PyMuPDF (versi semasa 1.18.17) ialah pengikatan Python yang menyokong MuPDF (versi semasa 1.18.*). Dengan PyMuPDF, anda boleh mengakses fail dengan sambungan ".pdf", ".xps", ".oxps", ".cbz", ".fb2" atau ".epub". Selain itu, kira-kira 10 format imej popular juga boleh diproses seperti dokumen: ".png", ".jpg", ".bmp", ".tiff", dll. II. Ciri Untuk semua jenis dokumen yang disokong:BAHARU: Reka letak menyimpan pengekstrakan teks!
Skrip fitzcliy.py menyediakan pengekstrakan teks dalam format yang berbeza melalui subperintah "gettext". Terutamanya menarik ialah penjimatan reka letak, yang menjana teks sedekat mungkin dengan reka letak fizikal asal, dengan kawasan sekeliling imej, atau salinan teks dalam jadual dan teks berbilang lajur. 3. PemasanganPyMuPDF boleh dipasang dari kod sumber atau dari roda. Untuk platform Windows, Linux dan Mac OSX, roda tersedia di bahagian muat turun PyPI. Ini termasuk Python 64-bit versi 3.6 hingga 3.9. Terdapat juga versi 32-bit untuk Windows. Sejak baru-baru ini, terdapat beberapa isu dengan seni bina ARM Linux - cari teg platform manylinux2014_aarch64. Ia tidak mempunyai kebergantungan luaran mandatori selain daripada pustaka standard. Terdapat beberapa kaedah yang bagus hanya jika pakej tertentu dipasang:Gunakan arahan pemasangan pip:
pip install PyMuPDFImport perpustakaan:
import fitz
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).
doc = fitz.open(filename)
方法/属性 | 描述 |
| 页数 (int) |
| 元数据 (dict) |
| 获取目录 (list) |
| 读取页面 |
示例：
>>> doc.count_page
1
>>> doc.metadata
{'format': 'PDF 1.7',
'title': '',
'author': '',
'subject': '',
'keywords': '',
'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}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。
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 |
tajuk | tajuk |
tarikh penciptaan | tarikh penciptaan |
pencipta | membuat aplikasi |
subjek | subjek |
toc = doc.get_toc()
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：
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 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。 Atas ialah kandungan terperinci Python memproses PDF: Pemasangan dan penggunaan PyMuPDF!. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!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")
![[Web front-end] Permulaan pantas Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
