好家伙!神器啊!Python 处理 PDF | 您所在的位置:网站首页 › python 提取pdf的dpi › 好家伙!神器啊!Python 处理 PDF |
作者:冰__蓝 https://blog.csdn.net/ling620/article/details/120035699 1、PyMuPDF简介 1. 介绍在介绍PyMuPDF之前,先来了解一下MuPDF,从命名形式中就可以看出,PyMuPDF是MuPDF的Python接口形式。 MuPDF MuPDF 是一个轻量级的 PDF、XPS和电子书查看器。MuPDF 由软件库、命令行工具和各种平台的查看器组成。 MuPDF 中的渲染器专为高质量抗锯齿图形量身定制。它以精确到像素的几分之一内的度量和间距呈现文本,以在屏幕上再现打印页面的外观时获得最高保真度。 这个观察器很小,速度很快,但是很完整。它支持多种文档格式,如PDF、XPS、OpenXPS、CBZ、EPUB和FictionBook 2。您可以使用移动查看器对PDF文档进行注释和填写表单(这个功能很快也将应用于桌面查看器)。 命令行工具允许您注释、编辑文档,并将文档转换为其他格式,如HTML、SVG、PDF和CBZ。您还可以使用Javascript编写脚本来操作文档。 PyMuPDF PyMuPDF(当前版本1.18.17)是支持MuPDF(当前版本1.18.*)的Python绑定。 使用PyMuPDF,你可以访问扩展名为“.pdf”、“.xps”、“.oxps”、“.cbz”、“.fb2”或“.epub”。此外,大约10种流行的图像格式也可以像文档一样处理:“.png”,“.jpg”,“.bmp”,“.tiff”等。 2. 功能对于所有支持的文档类型可以: 解密文件 访问元信息、链接和书签 以栅格格式(PNG和其他格式)或矢量格式SVG呈现页面 搜索文本 提取文本和图像 转换为其他格式:PDF, (X)HTML, XML, JSON, text 对于PDF文档,存在大量的附加功能:它们可以创建、合并或拆分。页面可以通过多种方式插入、删除、重新排列或修改(包括注释和表单字段)。 可以提取或插入图像和字体 完全支持嵌入式文件 pdf文件可以重新格式化,以支持双面打印,色调分离,应用标志或水印 完全支持密码保护:解密、加密、加密方法选择、权限级别和用户/所有者密码设置 支持图像、文本和绘图的 PDF 可选内容概念 可以访问和修改低级 PDF 结构 命令行模块"python \-m fitz…"具有以下特性的多功能实用程序 加密/解密/优化 创建子文档 文档连接 图像/字体提取 完全支持嵌入式文件 保存布局的文本提取(所有文档) 新:布局保存文本提取! 脚本fitzcliy .py通过子命令“gettext”提供不同格式的文本提取。特别有趣的当然是布局保存,它生成的文本尽可能接近原始物理布局,周围有图像的区域,或者在表格和多列文本中复制文本。 2、安装PyMuPDF可以从源码安装,也可以从wheels安装。 对于Windows, Linux和Mac OSX平台,在PyPI的下载部分有wheels。这包括Python 64位版本3.6到3.9。Windows版本也有32位版本。从最近开始,Linux ARM架构也出现了一些问题——查找平台标签manylinux2014_aarch64。 除了标准库,它没有强制性的外部依赖项。只有在安装了某些包时,才会有一些不错的方法: Pillow:当使用Pixmap.pil_save()和 Pixmap.pil_tobytes()时需要 fontTools:当使用Document.subset_fonts()时需要 pymupdf-fonts 是一个不错的字体选择,可以用于文本输出方法 使用pip安装命令: pip install PyMuPDF 导入库: import fitz 关于命名fitz的说明这个库的标准Python导入语句是import fitz。这是有历史原因的:MuPDF的原始渲染库被称为Libart。 在Artifex软件获得MuPDF项目后,开发的重点转移到编写一种新的现代图形图书馆称为“Fitz”。Fitz最初是作为一个研发项目,以取代老化的Ghostscript图形库,但却成为了MuPDF的渲染引擎(引用自维基百科)。 3、使用方法 1. 导入库,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. 打开文档 doc = fitz.open(filename)这将创建Document对象doc。文件名必须是一个已经存在的文件的python字符串。也可以从内存数据打开文档,或创建新的空PDF。您还可以将文档用作上下文管理器。 3. Document的方法和属性 方法/属性描述Document.page_count页数 (int)Documentadata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。Documentadata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。 KeyValueproducerproducer (producing software)formatformat: ‘PDF-1.4’, ‘EPUB’, etc.encryptionencryption method used if anyauthorauthormodDatedate of last modificationkeywordskeywordstitletitlecreationDatedate of creationcreatorcreating applicationsubjectsubject 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 |
CopyRight 2018-2019 实验室设备网 版权所有 |