PyMuPDF 1.24.4 中文文档（十二）（4）-阿里云开发者社区

PyMuPDF 1.24.4 中文文档（十二）（3）https://developer.aliyun.com/article/1559506

PDF 标准混合模式

有关说明，请参阅 Adobe PDF References，第 324 页：

PDF_BM_Color "Color"
PDF_BM_ColorBurn "ColorBurn"
PDF_BM_ColorDodge "ColorDodge"
PDF_BM_Darken "Darken"
PDF_BM_Difference "Difference"
PDF_BM_Exclusion "Exclusion"
PDF_BM_HardLight "HardLight"
PDF_BM_Hue "Hue"
PDF_BM_Lighten "Lighten"
PDF_BM_Luminosity "Luminosity"
PDF_BM_Multiply "Multiply"
PDF_BM_Normal "Normal"
PDF_BM_Overlay "Overlay"
PDF_BM_Saturation "Saturation"
PDF_BM_Screen "Screen"
PDF_BM_SoftLight "Softlight"

图章注释图标

MuPDF 为橡皮图章注释定义了以下图标：

STAMP_Approved 0
STAMP_AsIs 1
STAMP_Confidential 2
STAMP_Departmental 3
STAMP_Experimental 4
STAMP_Expired 5
STAMP_Final 6
STAMP_ForComment 7
STAMP_ForPublicRelease 8
STAMP_NotApproved 9
STAMP_NotForPublicRelease 10
STAMP_Sold 11
STAMP_TopSecret 12
STAMP_Draft 13

对此页面有任何反馈吗？

此软件按原样提供，不附带任何明示或暗示的保证。此软件根据许可证分发，未经许可不得复制、修改或分发。有关详细信息，请参阅 artifex.com 的许可信息或联系美国加利福尼亚州旧金山 Mesa 街 39 号 108A 室的 Artifex Software Inc。

此文档涵盖了所有版本直到 1.24.4。

色彩数据库

原文：pymupdf.readthedocs.io/en/latest/colors.html

自引入涉及颜色的方法（如Page.draw_circle()）以来，可能需要访问预定义的颜色。

精美的 GUI 包wxPython具有超过 540 种预定义的 RGB 颜色数据库，这些颜色具有更多或更少可以记住的名称。其中不仅包括标准名称如“green”或“blue”，还有“turquoise”、“skyblue”以及 100（不仅仅是 50…）种“gray”等。

我们已经自由地复制了这个数据库（一个元组列表）修改为 PyMuPDF，并将其颜色作为 PDF 兼容的浮点三元组提供：对于 wxPython 的*(“WHITE”, 255, 255, 255)，我们返回(1, 1, 1)，可以直接用于color和fill*参数。我们还接受任何混合大小写的“wHiTe”以找到颜色。

函数getColor()

由于可能不经常需要颜色数据库，因此一个额外的导入语句似乎是可以接受的，以便访问它：

>>> # "getColor" is the only method you really need
>>> from pymupdf.utils import getColor
>>> getColor("aliceblue")
(0.9411764705882353, 0.9725490196078431, 1.0)
>>> #
>>> # to get a list of all existing names
>>> from pymupdf.utils import getColorList
>>> cl = getColorList()
>>> cl
['ALICEBLUE', 'ANTIQUEWHITE', 'ANTIQUEWHITE1', 'ANTIQUEWHITE2', 'ANTIQUEWHITE3',
'ANTIQUEWHITE4', 'AQUAMARINE', 'AQUAMARINE1'] ...
>>> #
>>> # to see the full integer color coding
>>> from pymupdf.utils import getColorInfoList
>>> il = getColorInfoList()
>>> il
[('ALICEBLUE', 240, 248, 255), ('ANTIQUEWHITE', 250, 235, 215),
('ANTIQUEWHITE1', 255, 239, 219), ('ANTIQUEWHITE2', 238, 223, 204),
('ANTIQUEWHITE3', 205, 192, 176), ('ANTIQUEWHITE4', 139, 131, 120),
('AQUAMARINE', 127, 255, 212), ('AQUAMARINE1', 127, 255, 212)] ...

打印颜色数据库

如果您真的想看看有多少可用的颜色，可以使用示例目录中的脚本print by RGB或print by HSV。它们在相同的目录中创建 PDF 文件（已经存在），其中包含所有这些颜色。它们唯一的区别是排序顺序：一个按 RGB 值排序，另一个按色相-饱和度值作为排序标准。这是这些文件的屏幕打印样式。

您对本页有什么反馈吗？

此软件按原样提供，不带任何明示或暗示的担保。此软件在许可下分发，除非根据该许可明确授权，否则不得复制、修改或分发。请参阅artifex.com的许可信息，或联系美国加利福尼亚州旧金山 Mesa Street 39 号 108A 套房的 Artifex Software Inc.获取更多信息。

本文档覆盖所有版本直到 1.24.4。

函数getColor()

由于可能不经常需要颜色数据库，因此一个额外的导入语句似乎是可以接受的，以便访问它：

>>> # "getColor" is the only method you really need
>>> from pymupdf.utils import getColor
>>> getColor("aliceblue")
(0.9411764705882353, 0.9725490196078431, 1.0)
>>> #
>>> # to get a list of all existing names
>>> from pymupdf.utils import getColorList
>>> cl = getColorList()
>>> cl
['ALICEBLUE', 'ANTIQUEWHITE', 'ANTIQUEWHITE1', 'ANTIQUEWHITE2', 'ANTIQUEWHITE3',
'ANTIQUEWHITE4', 'AQUAMARINE', 'AQUAMARINE1'] ...
>>> #
>>> # to see the full integer color coding
>>> from pymupdf.utils import getColorInfoList
>>> il = getColorInfoList()
>>> il
[('ALICEBLUE', 240, 248, 255), ('ANTIQUEWHITE', 250, 235, 215),
('ANTIQUEWHITE1', 255, 239, 219), ('ANTIQUEWHITE2', 238, 223, 204),
('ANTIQUEWHITE3', 205, 192, 176), ('ANTIQUEWHITE4', 139, 131, 120),
('AQUAMARINE', 127, 255, 212), ('AQUAMARINE1', 127, 255, 212)] ...

打印颜色数据库

如果您想实际看看许多可用颜色的外观，可以使用脚本 print by RGB 或者 print by HSV 在示例目录中。它们会创建 PDF 文件（已存在于同一目录中），展示所有这些颜色。它们唯一的区别在于排序顺序：一个按照 RGB 值排序，另一个按照色调-饱和度-亮度值排序。这是这些文件外观的屏幕截图。

您对本页面有任何反馈吗？

此软件按原样提供，没有明示或暗示的任何保证。此软件根据许可证分发，未经授权的情况下不得复制、修改或分发此软件。有关详细信息，请参阅 artifex.com 的许可信息或联系美国加利福尼亚州旧金山 Mesa Street 39 号 108A 套房的 Artifex Software Inc。

此文档涵盖了截至 1.24.4 版本的所有内容。

其他

附录 1：文本提取的详细信息

原文：pymupdf.readthedocs.io/en/latest/app1.html

本章介绍了 PyMuPDF 的文本提取方法背景。

感兴趣的信息包括

它们提供了什么？
它们意味着什么（处理时间/数据大小）？

TextPage 的一般结构

TextPage 是(Py-)MuPDF 的类之一。通常在使用 Page 文本提取方法时在幕后创建（和销毁），但也可以直接使用并且可以作为持久对象使用。除了其名称所示，图像也可以选择性地作为文本页面的一部分：

<page>
    <text block>
        <line>
            <span>
                <char>
    <image block>
        <img>

一个文本页面由块（≈大致段落）组成。

一个块由行及其字符或图像组成。

一行由span组成。

一个span由具有相同字体属性的相邻字符组成：名称、大小、标志和颜色。

纯文本

函数TextPage.extractText()（或者Page.get_text(“text”)）提取页面的原始顺序中的纯文本。

一个示例输出：

>>> print(page.get_text("text"))
Some text on first page.

注意

输出可能与习惯的“自然”阅读顺序不一致。但是，您可以执行page.get_text("text", sort=True)请求按照“从左上到右下”的方案重新排序。

块

函数TextPage.extractBLOCKS()（或者Page.get_text(“blocks”)）提取页面的文本块作为像这样的项目列表：

(x0, y0, x1, y1, "lines in block", block_no, block_type)

前 4 个项目是块的浮点坐标。每个块内的行由换行符连接。

这是一种高速方法，默认情况下也会提取图像的元信息：每个图像显示为一个块，其中包含元信息的文本行。图像本身不会显示。

与上面的简单文本输出一样，也可以使用sort参数来获取阅读顺序。

示例输出：

>>> print(page.get_text("blocks", sort=False))
[(50.0, 88.17500305175781, 166.1709747314453, 103.28900146484375,
'Some text on first page.', 0, 0)]

单词

函数TextPage.extractWORDS()（或者Page.get_text(“words”)）提取页面的文本单词作为像这样的项目列表：

(x0, y0, x1, y1, "word", block_no, line_no, word_no)

前 4 个项目是单词的浮点 bbox 坐标。最后三个整数提供有关单词位置的更多信息。

这是一种高速方法。与前面的方法一样，参数sort=True将重新排序单词。

示例输出：

>>> for word in page.get_text("words", sort=False):
 print(word)
(50.0, 88.17500305175781, 78.73200225830078, 103.28900146484375,
'Some', 0, 0, 0)
(81.79000091552734, 88.17500305175781, 99.5219955444336, 103.28900146484375,
'text', 0, 0, 1)
(102.57999420166016, 88.17500305175781, 114.8119888305664, 103.28900146484375,
'on', 0, 0, 2)
(117.86998748779297, 88.17500305175781, 135.5909881591797, 103.28900146484375,
'first', 0, 0, 3)
(138.64898681640625, 88.17500305175781, 166.1709747314453, 103.28900146484375,
'page.', 0, 0, 4)

HTML

TextPage.extractHTML()（或者Page.get_text(“html”)输出完整反映了TextPage页面的结构 - 就像下面的 DICT / JSON 一样。其中包括图像、字体信息和文本位置。如果包含在 HTML 头和尾部代码中，它可以被互联网浏览器轻松显示。我们上面的例子：

>>> for line in page.get_text("html").splitlines():
 print(line)
<div id="page0" style="position:relative;width:300pt;height:350pt;
background-color:white">
<p style="position:absolute;white-space:pre;margin:0;padding:0;top:88pt;
left:50pt"><span style="font-family:Helvetica,sans-serif;
font-size:11pt">Some text on first page.</span></p>
</div>

控制 HTML 输出的质量

尽管 MuPDF v1.12.0 中的 HTML 输出已经有了很大改进，但还不是无 bug 的：我们在字体支持和图像定位方面发现了问题。

HTML 文本包含对原始文档中使用的字体的引用。如果浏览器不认识这些字体（几乎不可能！），它将用其他字体替换它们；结果可能看起来很奇怪。这个问题因浏览器而异——在我的 Windows 机器上，MS Edge 表现得很好，而 Firefox 看起来很糟糕。
对于具有复杂结构的 PDF 文件，图像可能无法正确地定位和/或调整大小。这在旋转页面和页面 bbox 变体不重合的情况下可能发生（例如MediaBox != CropBox）。我们还不知道如何解决这个问题——我们在 MuPDF 的网站上提交了一个 bug 报告。

要解决字体问题，您可以使用一个简单的实用脚本扫描 HTML 文件并替换字体引用。这里有一个小例子，将所有字体替换为 PDF 基本 14 种字体之一：有衬线字体将变成“Times”，非衬线字体将变成“Helvetica”，等宽字体将变成“Courier”。希望您的浏览器能够正确处理它们的粗体、斜体等变体：

import sys
filename = sys.argv[1]
otext = open(filename).read()                 # original html text string
pos1 = 0                                      # search start poition
font_serif = "font-family:Times"              # enter ...
font_sans  = "font-family:Helvetica"          # ... your choices ...
font_mono  = "font-family:Courier"            # ... here
found_one  = False                            # true if search successful
while True:
    pos0 = otext.find("font-family:", pos1)   # start of a font spec
    if pos0 < 0:                              # none found - we are done
        break
    pos1 = otext.find(";", pos0)              # end of font spec
    test = otext[pos0 : pos1]                 # complete font spec string
    testn = ""                                # the new font spec string
    if test.endswith(",serif"):               # font with serifs?
        testn = font_serif                    # use Times instead
    elif test.endswith(",sans-serif"):        # sans serifs font?
        testn = font_sans                     # use Helvetica
    elif test.endswith(",monospace"):         # monospaced font?
        testn = font_mono                     # becomes Courier
    if testn != "":                           # any of the above found?
        otext = otext.replace(test, testn)    # change the source
        found_one = True
        pos1 = 0                              # start over
if found_one:
    ofile = open(filename + ".html", "w")
    ofile.write(otext)
    ofile.close()
else:
    print("Warning: could not find any font specs!")

DICT（或 JSON）

TextPage.extractDICT()（或 Page.get_text(“dict”, sort=False)）输出完全反映了TextPage的结构，并为每个块、行和 span 提供了图像内容和位置详细信息（bbox——以像素为单位的边界框）。对于 DICT 输出，图像以bytes形式存储，而对于 JSON 输出，它们以 base64 编码字符串存储。

要查看字典输出结构的可视化，请查看字典输出的结构。

这是它的外观：

{
    "width": 300.0,
    "height": 350.0,
    "blocks": [{
        "type": 0,
        "bbox": (50.0, 88.17500305175781, 166.1709747314453, 103.28900146484375),
        "lines": ({
            "wmode": 0,
            "dir": (1.0, 0.0),
            "bbox": (50.0, 88.17500305175781, 166.1709747314453, 103.28900146484375),
            "spans": ({
                "size": 11.0,
                "flags": 0,
                "font": "Helvetica",
                "color": 0,
                "origin": (50.0, 100.0),
                "text": "Some text on first page.",
                "bbox": (50.0, 88.17500305175781, 166.1709747314453, 103.28900146484375)
            })
        }]
    }]
}

RAWDICT（或 RAWJSON）

TextPage.extractRAWDICT()（或 Page.get_text(“rawdict”, sort=False)）是DICT的信息超集，将详细级别提升一步。它看起来与上面的完全相同，只是其中的*“text”项目（string）在 spans 中被“chars”列表替换。每个“chars”条目都是一个字符dict*。例如，以下是上述*“text”: “Text in black color.”*条目的替代内容：

"chars": [{
    "origin": (50.0, 100.0),
    "bbox": (50.0, 88.17500305175781, 57.336997985839844, 103.28900146484375),
    "c": "S"
}, {
    "origin": (57.33700180053711, 100.0),
    "bbox": (57.33700180053711, 88.17500305175781, 63.4530029296875, 103.28900146484375),
    "c": "o"
}, {
    "origin": (63.4530029296875, 100.0),
    "bbox": (63.4530029296875, 88.17500305175781, 72.61600494384766, 103.28900146484375),
    "c": "m"
}, {
    "origin": (72.61600494384766, 100.0),
    "bbox": (72.61600494384766, 88.17500305175781, 78.73200225830078, 103.28900146484375),
    "c": "e"
}, {
    "origin": (78.73200225830078, 100.0),
    "bbox": (78.73200225830078, 88.17500305175781, 81.79000091552734, 103.28900146484375),
    "c": " "
< ... deleted ... >
}, {
    "origin": (163.11297607421875, 100.0),
    "bbox": (163.11297607421875, 88.17500305175781, 166.1709747314453, 103.28900146484375),
    "c": "."
}],

XML

TextPage.extractXML()（或 Page.get_text(“xml”)）版本提取了没有图像的文本，详细级别与 RAWDICT 相同：

>>> for line in page.get_text("xml").splitlines():
 print(line)
<page id="page0" width="300" height="350">
<block bbox="50 88.175 166.17098 103.289">
<line bbox="50 88.175 166.17098 103.289" wmode="0" dir="1 0">
<font name="Helvetica" size="11">
<char quad="50 88.175 57.336999 88.175 50 103.289 57.336999 103.289" x="50"
y="100" color="#000000" c="S"/>
<char quad="57.337 88.175 63.453004 88.175 57.337 103.289 63.453004 103.289" x="57.337"
y="100" color="#000000" c="o"/>
<char quad="63.453004 88.175 72.616008 88.175 63.453004 103.289 72.616008 103.289" x="63.453004"
y="100" color="#000000" c="m"/>
<char quad="72.616008 88.175 78.732 88.175 72.616008 103.289 78.732 103.289" x="72.616008"
y="100" color="#000000" c="e"/>
<char quad="78.732 88.175 81.79 88.175 78.732 103.289 81.79 103.289" x="78.732"
y="100" color="#000000" c=" "/>
... deleted ...
<char quad="163.11298 88.175 166.17098 88.175 163.11298 103.289 166.17098 103.289" x="163.11298"
y="100" color="#000000" c="."/>
</font>
</line>
</block>
</page>

注意

我们已经成功测试了lxml来解释此输出。

PyMuPDF 1.24.4 中文文档（十二）（5）https://developer.aliyun.com/article/1559512

PyMuPDF 1.24.4 中文文档（十二）（4）

PDF 标准混合模式

图章注释图标

色彩数据库

函数getColor()

打印颜色数据库

函数getColor()

打印颜色数据库

其他

附录 1：文本提取的详细信息

TextPage 的一般结构

纯文本

块

单词

HTML

控制 HTML 输出的质量

DICT（或 JSON）

RAWDICT（或 RAWJSON）

XML

热门文章

最新文章

相关课程

相关电子书