大家好,我是Python人工智慧技術
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。
對於所有支援的文件類型可以:
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。
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:
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)。
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).
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。
方法/屬性 |
##描述 |
|
#頁數(int) |
|
#元資料( dict) |
|
#取得目錄( list) |
|
#讀取頁面 |
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}
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 |
標題 |
標題 |
#標題 | |
建立日期 | |
建立應用程式 |
toc = doc.get_toc()
页面处理是MuPDF功能的核心。
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: 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: links是一个Python字典列表。 还可以作为迭代器使用: 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: b. 呈现页面 此示例创建页面内容的光栅图像: 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: 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: 对opt使用以下字符串之一以获取不同的格式: 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: 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。 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): 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): 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: 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。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'
# get all links on a page
links = page.get_links()
for link in page.links():
# do something with 'link'
for annot in page.annots():
# do something with 'annot'
for field in page.widgets():
# do something with 'field'
pix = page.get_pixmap()
pix.save("page-%i.png" % page.number)
text = page.get_text(opt)
areas = page.search_for("mupdf")
7. PDF操作
# append complete doc2 to the end of doc1
doc1.insert_pdf(doc2)
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")
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!