Python memproses PDF: Pemasangan dan penggunaan PyMuPDF!

Helo semua, Saya Teknologi Kecerdasan Buatan Python

1 Pengenalan kepada PyMuPDF

1

Sebelum memperkenalkan PyMuPDF, mari kita pelajari dahulu tentang MuPDF Seperti yang dapat dilihat daripada bentuk penamaan, PyMuPDF ialah bentuk antara muka Python bagi MuPDF.

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:

Nyahsulit fail
• Akses maklumat meta, pautan dan penanda halaman
Render halaman dalam format raster (PNG dan format lain) atau format vektor SVG
• Cari teks
• Ekstrak teks dan imej
• Tukar kepada format lain: PDF, (X )HTML, XML, JSON, teks
• Untuk dokumen PDF terdapat sejumlah besar fungsi tambahan: ia boleh dibuat, digabungkan atau dipecahkan. Halaman boleh disisipkan, dipadam, disusun semula atau diubah suai dalam pelbagai cara (termasuk komen dan medan borang).
• Imej dan fon boleh diekstrak atau dimasukkan
Fail terbenam disokong sepenuhnya
Fail PDF boleh diformat semula untuk menyokong pencetakan dupleks, pemisahan nada, menggunakan logo atau tera air
• Sokongan penuh untuk perlindungan kata laluan: penyahsulitan, penyulitan, pemilihan kaedah penyulitan, tahap kebenaran dan tetapan kata laluan pengguna/pemilik
• Konsep kandungan pilihan PDF yang menyokong imej, teks dan lukisan
• Boleh mengakses dan ubah suai struktur PDF peringkat rendah
• Modul baris arahan "python -m fitz..." Utiliti pelbagai fungsi dengan ciri berikut

Penyulitan/penyahsulitan/pengoptimuman
Buat subdokumen
• Sambungan dokumen
• Pengekstrakan imej/fon
• Sokongan penuh untuk fail terbenam
• Pengekstrakan teks untuk reka letak yang disimpan ( Semua dokumen)

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. Pemasangan

PyMuPDF 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:

Bantal: Diperlukan apabila menggunakan Pixmap.pil_save() dan Pixmap.pil_tobytes()
• fontTools : Diperlukan apabila menggunakan Document. subset_fonts()
• pymupdf-fonts ialah pilihan fon yang baik yang boleh digunakan untuk kaedah output teks

Gunakan arahan pemasangan pip:

pip install PyMuPDF

Import perpustakaan:

import fitz

Arahan untuk menamakan fitz

Standard untuk perpustakaan ini Pernyataan import Python ialah import fitz . Terdapat sebab sejarah untuk ini:

Pustaka pemaparan asal MuPDF dipanggil Libart.

Selepas Perisian Artifex memperoleh projek MuPDF, tumpuan pembangunan beralih kepada menulis perpustakaan grafik moden baharu yang dipanggil "Fitz". Fitz bermula sebagai projek R&D untuk menggantikan perpustakaan grafik Ghostscript yang sudah tua, tetapi menjadi enjin rendering untuk MuPDF (dipetik daripada Wikipedia).

4. Cara menggunakan

1 Import pustaka dan lihat versi

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. Buka dokumen

doc = fitz.open(filename)

Ini akan mencipta dokumen objek Dokumen. Nama fail mestilah rentetan Python yang telah wujud.

Anda juga boleh membuka dokumen daripada data memori atau mencipta PDF kosong baharu. Anda juga boleh menggunakan dokumen sebagai pengurus konteks.

3. Dokumen kaedah dan sifat

方法/属性	描述
​​Document.page_count​​	页数 (int)
​​Document.metadata​​	元数据 (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
tajuk	tajuk
tarikh penciptaan	tarikh penciptaan
pencipta	membuat aplikasi
subjek	subjek

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。

Atas ialah kandungan terperinci Python memproses PDF: Pemasangan dan penggunaan PyMuPDF!. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!