Python 處理 PDF 神器：PyMuPDF 的安裝與使用

  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 中的渲染器專爲高質量抗鋸齒圖形量身定製。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文檔進行註釋和填寫表單 (這個功能很快也將應用於桌面查看器)。

命令行工具允許您註釋、編輯文檔，並將文檔轉換爲其他格式，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，你可以訪問擴展名爲“.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。

  1. 功能

對於所有支持的文檔類型可以：

2、安裝

PyMuPDF可以從源碼安裝，也可以從wheels安裝。

對於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——查找平臺標籤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，纔會有一些不錯的方法:

使用**pip安裝命令**：

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的原始渲染庫被稱爲Libart。

在 Artifex 軟件獲得MuPDF項目後，開發的重點轉移到編寫一種新的現代圖形圖書館稱爲“Fitz”。Fitz最初是作爲一個研發項目，以取代老化的Ghostscript圖形庫，但卻成爲了 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).
  1. 打開文檔
doc = fitz.open(filename)

這將創建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，或創建新的空 PDF。您還可以將文檔用作上下文管理器。

  1. Document 的方法和屬性

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}
  1. 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。

它適用於所有文檔類型，但並非所有條目都始終包含數據。元數據字段爲字符串，如果未另行指示，則爲無。還要注意的是，並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。

  1. 獲取目標大綱
toc = doc.get_toc()
  1. 頁面 (Page)

頁面處理是MuPDF功能的核心。
• 您可以將頁面呈現爲光柵或矢量（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，並搜索文本字符串。
• 對於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

這裏可以使用任何整數-inf<pno<page_count。負數從末尾開始倒數，所以doc[-1]是最後一頁，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、批註或表單字段

使用某些查看器軟件顯示文檔時，鏈接顯示爲 ==“熱點區域”==。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。

還可以作爲迭代器使用：

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

如果處理 PDF 文檔頁面，還可能存在註釋（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，可用於多種用途。

方法Page.get_pixmap()提供了許多用於控制圖像的變體：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數）。屬性示例表示表示圖像數據的矩形字節區域（Python 字節對象）。

還可以使用page.get_svg_image()創建頁面的矢量圖像。

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：

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”（不區分大小寫）。您可以使用此信息來突出顯示這些區域（僅限 PDF）或創建文檔的交叉引用。

  1. PDF 操作

PDF是唯一可以使用PyMuPDF修改的文檔類型。其他文件類型是隻讀的。

但是，您可以將任何文檔（包括圖像）轉換爲 PDF，然後將所有PyMuPDF功能應用於轉換結果,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）：

b. 連接和拆分 PDF 文檔

方法Document.insert_pdf()在不同的 pdf 文檔之間複製頁面。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。它將創建第一頁和最後 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，因爲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。

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的緩衝區。

本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/g_Oyk5b3o-ZwBcidGzGyuA

猜你喜歡