首頁  >  文章  >  後端開發  >  Python 處理 PDF:PyMuPDF 的安裝與使用!

Python 處理 PDF:PyMuPDF 的安裝與使用!

WBOY
WBOY轉載
2023-04-14 17:46:031586瀏覽

Python 處理 PDF:PyMuPDF 的安裝與使用!

大家好,我是Python人工智慧技術

#一、PyMuPDF簡介

1.介紹

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。

二. 功能

對於所有支援的文件類型可以:

  • #解密檔案
  • 存取元資訊、連結與書籤
  • 以柵格格式(PNG和其他格式)或向量格式SVG呈現頁面
  • 搜尋文字
  • 擷取文字和圖像
  • 轉換為其他格式:PDF, (X)HTML, XML, JSON, text
  • 對於PDF文檔,存在大量的附加功能:它們可以創建、合併或拆分。頁面可以透過多種方式插入、刪除、重新排列或修改(包括註解和表單欄位)。
  • 可以提取或插入圖像和字體
  • 完全支援嵌入式檔案
  • pdf檔案可以重新格式化,以支援雙面列印,色調分離,應用標誌或浮水印
  • 完全支援密碼保護:解密、加密、加密方法選擇、權限等級和使用者/所有者密碼設定
  • #支援圖像、文字和繪圖的PDF 可選內容概念
  • 可以存取和修改低階PDF 結構
  • 命令列模組"python -m fitz…"具有以下功能的多功能實用程式
  • 加密/解密/最佳化
  • 建立子文件
  • 文件連線
  • 圖片/字型擷取
  • #完全支援嵌入式檔案
  • 儲存版面的文字擷取(所有文件)

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。

三、安裝

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:

  • Pillow:當使用Pixmap.pil_save()和Pixmap.pil_tobytes()時需要
  • fontTools :當使用Document.subset_fonts()時需要
  • pymupdf-fonts 是一個不錯的字體選擇,可以用於文字輸出方法

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)。

四、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).

2. 開啟文件

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。

3. Document的方法與屬性

##描述#頁數(int)#元資料( dict)#取得目錄( list)#讀取頁面

方法/屬性

#Document.page_count

#Document.metadata

#Document.get_toc()

#Document.load_page()

#######

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。

#標題建立日期建立日期#創建者建立應用程式主題

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

#########主題#############

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。

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!

陳述:
本文轉載於:51cto.com。如有侵權,請聯絡admin@php.cn刪除