• PyMuPDF使用


    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,PyMuPDFMuPDFPython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PDFXPSOpenXPSCBZEPUBFictionBook 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、PDFCBZ。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”“.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, LinuxMac 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

     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。

    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<pno<page_count。负数从末尾开始倒数,所以doc[-1]是最后一页,就像Python序列一样。

    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):

    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)

    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()Document.delete_pages()删除页面

      • Document.copy_page()Document.fullcopy_page()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<=i<page_ count范围内。执行时,此列表中缺少的所有页面都将被删除。剩余的页面将按顺序出现,次数相同(!)正如您所指定的那样。

        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()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。

    
    

     

  • 相关阅读:
    一些文件的扩展名
    关于git,从svn转到git
    trousers--------dpkg: 处理软件包 trousers (--configure)时报错
    Ubuntu下运行DrClient以上网
    Ubuntu下的终端命令--复制文件从一个文件夹到另一个文件夹下
    VSCode放大字体的快捷键
    opessl版本过低造成的函数使用错误
    python的基本语法
    ubuntu和windows的解码方式
    ubuntu下强制删除文件夹
  • 原文地址:https://www.cnblogs.com/windyrainy/p/16649588.html
Copyright © 2020-2023  润新知