千锋教育-做有情怀、有良心、有品质的职业教育机构

手机站
千锋教育

千锋学习站 | 随时随地免费学

千锋教育

扫一扫进入千锋手机站

领取全套视频
千锋教育

关注千锋学习站小程序
随时随地免费学习课程

首页 技术干货 常见问题 面试题 职场就业 零基础学Python 行业资讯
【热点话题】 Python技术干货 Python学习教程 Python学习笔记 Python面试题 Python蓝莓直播网站 问答 Python蓝莓直播网站 机构哪些好 Python职场就业
当前位置:Python蓝莓直播网站  >  Python技术干货  >  Python处理PDF的神器—PyMuPDF!速看!

Python处理PDF的神器—PyMuPDF!速看!

来源:千锋教育
发布人:wjy
时间: 2022-09-30 15:13:00 1664521980

  Python处理PDF的神器—PyMuPDF!速看!

  1、PyMuPDF简介

  1.介绍

  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。

  2. 功能

  ●对于所有支持的文档类型可以:

  ●解密文件

  ●访问元信息、链接和书签

  ●以栅格格式(PNG和其他格式)或矢量格式SVG呈现页面

  ●搜索文本

  ●提取文本和图像

  ●转换为其他格式:PDF, (X)HTML, XML, JSON, text

  对于PDF文档,存在大量的附加功能:它们可以创建、合并或拆分。页面可以通过多种方式插入、删除、重新排列或修改(包括注释和表单字段)。

  ●可以提取或插入图像和字体

  ●完全支持嵌入式文件

  ●pdf文件可以重新格式化,以支持双面打印,色调分离,应用标志或水印

  ●完全支持密码保护:解密、加密、加密方法选择、权限级别和用户/所有者密码设置

  ●支持图像、文本和绘图的 PDF 可选内容概念

  ●可以访问和修改低级 PDF 结构

  ●命令行模块"python -m fitz…"具有以下特性的多功能实用程序

  ●加密/解密/优化

  ○创建子文档

  ○文档连接

  ○图像/字体提取

  ○完全支持嵌入式文件

  ○保存布局的文本提取(所有文档)

  ●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。

  3、安装

  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:

  ●Pillow:当使用Pixmap.pil_save()和 Pixmap.pil_tobytes()时需要

  ●fontTools:当使用Document.subset_fonts()时需要

  ●pymupdf-fonts 是一个不错的字体选择,可以用于文本输出方法

  使用pip安装命令:pip install PyMuPDF

  导入库:

  import fitz

  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)。

  4、使用方法

  1.导入库,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.打开文档

  这将创建Document对象doc。文件名必

doc = fitz.open(filename)

  须是一个已经存在的文件的python字符串。

  也可以从内存蓝莓直播平台 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。

  3.Document的方法和属性

方法/属性

描述

Document.page_count

页数 (int)

Document.metadata

元蓝莓直播平台 (dict)

Document.get_toc()

获取目录 (list)

Document.load_page()

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}

  4.获取元蓝莓直播平台

  PyMuPDF完全支持标准元蓝莓直播平台 。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蓝莓直播平台 。元蓝莓直播平台 字段为字符串,如果未另行指示,则为无。还要注意的是,并非所有蓝莓直播平台 都始终包含有意义的蓝莓直播平台 ——即使它们不是一个都没有。

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.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蓝莓直播平台 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):

  1. PDF:Document.delete_page()和Document.delete_pages()删除页面

  2. 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。

  3. 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<page_ p="" count范围内。执行时,此列表中缺少的所有页面都将被删除。剩余的页面将按顺序出现,次数相同(!)正如您所指定的那样。<="">

  因此,您可以轻松地使用创建新的PDF:

  第一页或最后10页

  1. 仅奇数页或偶数页(用于双面打印)

  2. 包含或不包含给定文本的页

  3. 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。

  就分享到这里了,希望本篇文章可以给大家带来收获!还想了解Python哪方面知识,可以在评论中留言!

声明:本站稿件版权均属千锋教育所有,未经许可不得擅自转载。

猜你喜欢LIKE

最新文章NEW

相关推荐HOT

更多>>

开班信息
北京校区
  • 北京校区
  • 大连校区
  • 广州校区
  • 成都校区
  • 杭州校区
  • 长沙校区
  • 合肥校区
  • 南京校区
  • 上海校区
  • 深圳校区
  • 武汉校区
  • 郑州校区
  • 西安校区
  • 青岛校区
  • 重庆校区
  • 太原校区
  • 沈阳校区

14天品质课程免费学

10年以上业内强师带你蜕变精英

提交领取
jdkslf.com hkycb.com puningxw.com hnjsi.com tjypbjd.com lztrust.com zhfcp.com caichk.com xfzdjx.com