Python 處理 PDF：PyMuPDF 的安裝與使用！

大家好，我是Python人工智慧技術

#一、PyMuPDF簡介

1.介紹

在介紹PyMuPDF之前，先來了解MuPDF，從命名形式中就可以看出，PyMuPDF是MuPDF的Python介面形式。

MuPDF

MuPDF 是一個輕量級的 PDF、XPS和電子書檢視器。 MuPDF 由軟體庫、命令列工具和各種平台的檢視器組成。

MuPDF 中的渲染器專為高品質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，以在螢幕上再現列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。它支援多種文件格式，如PDF、XPS、OpenXPS、CBZ、EPUB和FictionBook 2。您可以使用行動檢視器對PDF文件進行註解和填寫表單(這個功能很快也將應用於桌面檢視器)。

命令列工具可讓您註解、編輯文檔，並將文檔轉換為其他格式，如HTML、SVG、PDF和CBZ。您也可以使用Javascript編寫腳本來操作文件。

PyMuPDF

PyMuPDF(目前版本1.18.17)是支援MuPDF(目前版本1.18.*)的Python綁定。

使用PyMuPDF，你可以存取副檔名為「.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件一樣處理:“.png”，“.jpg”，“.bmp”，“.tiff”等。

二. 功能

對於所有支援的文件類型可以：

• #解密檔案
• 存取元資訊、連結與書籤
• 以柵格格式（PNG和其他格式）或向量格式SVG呈現頁面
• 搜尋文字
• 擷取文字和圖像
• 轉換為其他格式：PDF, (X)HTML, XML, JSON, text
• 對於PDF文檔，存在大量的附加功能:它們可以創建、合併或拆分。頁面可以透過多種方式插入、刪除、重新排列或修改(包括註解和表單欄位)。
• 可以提取或插入圖像和字體
• 完全支援嵌入式檔案
• pdf檔案可以重新格式化，以支援雙面列印，色調分離，應用標誌或浮水印
• 完全支援密碼保護:解密、加密、加密方法選擇、權限等級和使用者/所有者密碼設定
• #支援圖像、文字和繪圖的PDF 可選內容概念
• 可以存取和修改低階PDF 結構
• 命令列模組"python -m fitz…"具有以下功能的多功能實用程式

• 加密/解密/最佳化
• 建立子文件
• 文件連線
• 圖片/字型擷取
• #完全支援嵌入式檔案
• 儲存版面的文字擷取(所有文件)

新:佈局儲存文字擷取!

#腳本fitzcliy .py透過子命令「gettext」提供不同格式的文字擷取。特別有趣的當然是佈局保存，它生成的文字盡可能接近原始物理佈局，周圍有圖像的區域，或在表格和多列文字中複製文字。

三、安裝

PyMuPDF可以從原始碼安裝，也可以從wheels安裝。

對於Windows, Linux和Mac OSX平台，在PyPI的下載部分有wheels。這包括Python 64位元版本3.6到3.9。 Windows版本也有32位元版本。從最近開始，Linux ARM架構也出現了一些問題－尋找平台標籤manylinux2014_aarch64。

除了標準函式庫，它沒有強制性的外部依賴項。只有在安裝了某些套件時，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，可以用於文字輸出方法

使用pip安裝指令：

pip install PyMuPDF

導入庫：

import fitz

關於命名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軟體取得MuPDF專案後，開發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. 開啟文件

doc = fitz.open(filename)

這將建立Document物件doc。檔案名稱必須是已經存在的檔案的python字串。

也可以從記憶體資料開啟文檔，或建立新的空PDF。您也可以將文件用作上下文管理器。

3. Document的方法與屬性

##描述#頁數(int)#元資料( dict)#取得目錄( list)#讀取頁面

方法/屬性
#Document.page_count
#Document.metadata
#Document.get_toc()
#Document.load_page()

#######

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}

4. 获取元数据

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。

#標題建立日期建立日期#創建者建立應用程式主題

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
標題	標題

#########主題#############

5. 获取目标大纲

toc = doc.get_toc()

6. 页面(Page)

页面处理是MuPDF功能的核心。

• 您可以将页面呈现为光栅或矢量（SVG）图像，可以选择缩放、旋转、移动或剪切页面。
• 您可以提取多种格式的页面文本和图像，并搜索文本字符串。
• 对于PDF文档，可以使用更多的方法向页面添加文本或图像。

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：

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'

• 接下来，主要介绍Page的常用操作！

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：

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

links是一个Python字典列表。

还可以作为迭代器使用：

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

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：

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

b. 呈现页面

此示例创建页面内容的光栅图像：

pix = page.get_pixmap()

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：

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

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：

text = page.get_text(opt)

对opt使用以下字符串之一以获取不同的格式：

• "text"：（默认）带换行符的纯文本。无格式、无文字位置详细信息、无图像
• "blocks"：生成文本块（段落）的列表
• "words"：生成单词列表（不包含空格的字符串）
• "html"：创建页面的完整视觉版本，包括任何图像。这可以通过internet浏览器显示
• "dict"/"json"：与HTML相同的信息级别，但作为Python字典或resp.JSON字符串。
• "rawdict"/"rawjson"："dict"/"json"的超级集合。它还提供诸如XML之类的字符详细信息。
• "xhtml"：文本信息级别与文本版本相同，但包含图像。
• "xml"：不包含图像，但包含每个文本字符的完整位置和字体信息。使用XML模块进行解释。

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：

areas = page.search_for("mupdf")

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。

7. PDF操作

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）：

• PDF:Document.delete_page()和Document.delete_pages()删除页面
• Document.copy_page()、Document.fullcopy_page()和Document.move_page()将页面复制或移动到同一文档中的其他位置。
• Document.select()将PDF压缩到选定页面，参数是要保留的页码序列。这些整数都必须在0<=i
• 因此，您可以轻松地使用创建新的PDF：

• 第一页或最后10页
• 仅奇数页或偶数页（用于双面打印）
• 包含或不包含给定文本的页
• 颠倒页面顺序

• 保存的新文档将包含仍然有效的链接、注释和书签（i.a.w.指向所选页面或某些外部资源）。
• Document.insert_page()和Document.new_page()插入新页面。
• 此外，页面本身可以通过一系列方法进行修改（例如页面旋转、注释和链接维护、文本和图像插入）。

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）：

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

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：

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()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。

以上是Python 處理 PDF：PyMuPDF 的安裝與使用！的詳細內容。更多資訊請關注PHP中文網其他相關文章！