>  기사  >  백엔드 개발  >  Python 처리 PDF: PyMuPDF 설치 및 사용!

Python 처리 PDF: PyMuPDF 설치 및 사용!

WBOY
WBOY앞으로
2023-04-14 17:46:031586검색

Python 처리 PDF: PyMuPDF 설치 및 사용!

안녕하세요 여러분, 저는 Python 인공지능 기술입니다

1. PyMuPDF 소개

1. 소개

PyMuPDF를 소개하기 전에 먼저 MuPDF에 대해 알아보겠습니다. 명명 형식에서 알 수 있듯이 PyMuPDF는 Python입니다. MuPDF의 인터페이스 형태.

MuPDF

MuPDF는 가벼운 PDF, XPS 및 전자책 뷰어입니다. MuPDF는 다양한 플랫폼용 소프트웨어 라이브러리, 명령줄 도구 및 뷰어로 구성됩니다.

MuPDF의 렌더러는 고품질 앤티앨리어싱 그래픽에 맞게 맞춤 제작되었습니다. 화면에 인쇄된 페이지의 모양을 최대한 충실하게 재현하기 위해 픽셀 단위까지 정확한 측정 및 간격으로 텍스트를 렌더링합니다.

이 뷰어는 작고 빠르지만 완벽합니다. PDF, XPS, OpenXPS, CBZ, EPUB 및 FictionBook 2와 같은 다양한 문서 형식을 지원합니다. 모바일 뷰어를 사용하여 PDF 문서의 양식에 주석을 달고 채울 수 있습니다(이 기능은 곧 데스크톱 뷰어에서도 사용할 수 있습니다).

명령줄 도구를 사용하면 문서에 주석을 달고, 편집하고, HTML, SVG, PDF, CBZ와 같은 다른 형식으로 변환할 수 있습니다. Javascript를 사용하여 스크립트를 작성하여 문서를 조작할 수도 있습니다.

PyMuPDF

PyMuPDF(현재 버전 1.18.17)는 MuPDF(현재 버전 1.18.*)를 지원하는 Python 바인딩입니다.

PyMuPDF를 사용하면 확장자가 ".pdf", ".xps", ".oxps", ".cbz", ".fb2" 또는 ".epub"인 파일에 액세스할 수 있습니다. 또한 ".png", ".jpg", ".bmp", ".tiff" 등 약 10개의 널리 사용되는 이미지 형식을 문서처럼 처리할 수도 있습니다.

II. 기능

지원되는 모든 문서 유형에 대해 다음을 수행할 수 있습니다.

  • 파일 암호 해독
  • 메타 정보, 링크 및 북마크에 액세스
  • 래스터 형식(PNG 및 기타 형식) 또는 벡터 형식 SVG로 페이지 렌더링
  • 텍스트 검색
  • 텍스트 및 이미지 추출
  • 다른 형식으로 변환: PDF, (X)HTML, XML, JSON, 텍스트
  • PDF 문서에는 생성, 병합 또는 분할이 가능한 다양한 추가 기능이 있습니다. 페이지는 다양한 방법(댓글 및 양식 필드 포함)으로 삽입, 삭제, 재배열 또는 수정할 수 있습니다.
  • 이미지 및 글꼴 추출 또는 삽입 가능
  • 포함된 파일 완벽 지원
  • PDF 파일 형식을 다시 지정하여 양면 인쇄, 톤 분리, 로고 또는 워터마크 적용 지원
  • 비밀번호 보호 완벽 지원: 암호 해독, 암호화, 암호화 방법 선택, 권한 수준 및 사용자/소유자 비밀번호 설정
  • 이미지, 텍스트 및 그림에 대한 PDF 선택적 콘텐츠 개념 지원
  • 하위 수준 PDF 구조에 액세스하고 수정할 수 있음
  • 명령줄 모듈 "python -m fitz…"에는 다음 기능
  • 암호화/해독/최적화를 위한 다목적 유틸리티
  • 하위 문서 생성
  • 문서 조인
  • 이미지/글꼴 추출
  • 포함된 파일에 대한 전체 지원
  • 저장된 레이아웃의 텍스트 추출(모든 문서)

새로운 기능: 레이아웃 저장 텍스트 추출!

fitzcliy.py 스크립트는 "gettext" 하위 명령을 통해 다양한 형식의 텍스트 추출을 제공합니다. 특히 흥미로운 점은 레이아웃 저장입니다. 이 기능은 이미지 주변 영역이나 테이블의 텍스트 사본 및 다중 열 텍스트를 사용하여 원본 실제 레이아웃에 최대한 가까운 텍스트를 생성합니다.

3. 설치

PyMuPDF는 소스 코드 또는 휠에서 설치할 수 있습니다.

Windows, Linux 및 Mac OSX 플랫폼의 경우 PyPI 다운로드 섹션에서 휠을 사용할 수 있습니다. 여기에는 Python 64비트 버전 3.6~3.9가 포함됩니다. Windows용 32비트 버전도 있습니다. 최근부터 Linux ARM 아키텍처에 몇 가지 문제가 발생했습니다. 플랫폼 태그인 Manylinux2014_aarch64를 찾으세요.

표준 라이브러리를 제외하고는 필수 외부 종속성이 없습니다. 특정 패키지가 설치된 경우에만 사용할 수 있는 몇 가지 좋은 방법이 있습니다:

  • Pillow: Pixmap.pil_save() 및 Pixmap.pil_tobytes()를 사용할 때 필요
  • fontTools: Document.subset_fonts()를 사용할 때 필요
  • pymupdf- 글꼴은 텍스트 출력 방법에 적합한 글꼴 선택입니다.

pip 설치 명령 사용:

pip install PyMuPDF

라이브러리 가져오기:

import fitz

fitz 이름 지정에 대한 지침

이 라이브러리에 대한 표준 Python 가져오기 문은 다음과 같습니다. 수입 피츠. 여기에는 역사적인 이유가 있습니다.

MuPDF의 원래 렌더링 라이브러리는 Libart라고 불렸습니다.

Artifex Software가 MuPDF 프로젝트를 인수한 후 개발의 초점은 "Fitz"라는 새로운 최신 그래픽 라이브러리를 작성하는 것으로 옮겨졌습니다. Fitz는 노후화된 Ghostscript 그래픽 라이브러리를 대체하기 위한 R&D 프로젝트로 시작했지만 MuPDF(Wikipedia에서 인용)의 렌더링 엔진이 되었습니다.

4. 사용 방법

1. 라이브러리를 가져오고 버전을 확인합니다.

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. 문서를 엽니다.

doc = fitz.open(filename)

그러면 문서 개체가 생성됩니다. 파일 이름은 이미 존재하는 Python 문자열이어야 합니다.

메모리 데이터에서 문서를 열거나 빈 PDF를 새로 만드는 것도 가능합니다. 문서를 컨텍스트 관리자로 사용할 수도 있습니다.

3. 문서의 방식과 특성

页数 (int)​​Document.metadata​

방법/특성

描述

页数 (int)

​Document.metadata​

元数据 (dict)

​Document.get_toc()​

获取目录 (list)

​Document.load_page()​

🎜元数据🎜🎜🎜🎜🎜🎜​​Document.get_toc()​​🎜🎜🎜获取目录(목록)🎜🎜🎜 🎜🎜​​Document.load_page()​​🎜🎜🎜🎜读取页face🎜🎜🎜🎜🎜

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。

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

제작 날짜

creator

애플리케이션 만들기

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
  • 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。

위 내용은 Python 처리 PDF: PyMuPDF 설치 및 사용!의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

성명:
이 기사는 51cto.com에서 복제됩니다. 침해가 있는 경우 admin@php.cn으로 문의하시기 바랍니다. 삭제