pymupdf 是一个用于处理 PDF 文件的 Python 库，提供了丰富的功能和灵活的接口，使得在 Python 环境中处理 PDF 文件变得简单而强大。该库建立在 MuPDF 渲染引擎的基础上，MuPDF 是一款高性能的 PDF 渲染器，pymupdf 将其封装成一个易于使用的 Python 模块。
主要功能：
- 打开和查看 PDF 文件：
- 使用
fitz.open方法可以打开一个 PDF 文件，返回一个fitz.Document对象，通过这个对象可以进行后续的操作。 - 查看 PDF 中的页面数量，获取页面的尺寸和其他基本信息。
import fitz pdf_path = "example.pdf" pdf_document = fitz.open(pdf_path) # 获取页面数量 num_pages = pdf_document.page_count print(f"Total number of pages: {num_pages}") # 获取第一页 first_page = pdf_document[0] width, height = first_page.rect.width, first_page.rect.height print(f"Page size: {width} x {height} points")
- 文本提取和搜索：
- 通过
get_text方法可以提取页面上的文本内容，也可以进行基于关键词的搜索。 - 文本提取可以用于实现 PDF 文本内容的分析和搜索引擎的建立。
# 提取第一页的文本 text = first_page.get_text("text") print("Text on the first page:", text) # 搜索关键词 keyword = "Python" keyword_instances = first_page.search_for(keyword) print(f"Found {len(keyword_instances)} instances of '{keyword}' on the first page.")
- 图像提取：
- 通过
get_pixmap方法可以获取页面上的图像，这为进一步的图像处理提供了可能性。 - 图像提取可用于分析 PDF 中的图表、图片等信息。
# 获取第一页的图像 pixmap = first_page.get_pixmap() pixmap.writePNG("page_1_image.png") print("Image extracted from the first page.")
- PDF 修改和创建：
fitz.Document对象支持页面的增删改操作，使得可以在现有 PDF 文件的基础上进行修改。- 创建新的 PDF 文件，添加页面并设置内容，最后保存为新文件。
# 创建新的 PDF 文档 new_pdf = fitz.open() # 添加页面并设置内容 new_page = new_pdf.new_page(width, height) new_page.insert_text((100, 100), "Hello, PDF!") # 保存为新的 PDF 文件 new_pdf.save("new_document.pdf") print("New PDF document created.")
- PDF 加密和解密：
fitz.Document对象支持对 PDF 进行加密和解密，保护文档内容的安全性。
# 加密 PDF 文档 pdf_document.encrypt("password") # 保存加密后的文档 pdf_document.save("encrypted_document.pdf") print("PDF document encrypted.") # 解密 PDF 文档 pdf_document.decrypt("password") # 保存解密后的文档 pdf_document.save("decrypted_document.pdf") print("PDF document decrypted.")
以上仅是 pymupdf 提供的一小部分功能，该库还支持更高级的特性，如注释的添加、旋转页面、获取链接等。由于 MuPDF 引擎的高效性能，pymupdf 在处理大型 PDF 文件时表现出色，适用于需要在 Python 中进行 PDF 文件处理的各种场景。
