高效PDF处理神器：PyMuPDF入门与实战

本文介绍Python中高性能PDF解析库PyMuPDF的核心功能，包含文本提取、图像处理、文档操作等实战代码示例。

1. PyMuPDF简介

PyMuPDF（又名fitz）是一个轻量级且功能强大的Python库，专为PDF、XPS和电子书格式处理设计。相较于PyPDF2等库，其优势在于：

• ⚡ 超快解析速度：C语言底层实现，处理大型文件效率显著
• 🖨️ 精准渲染：支持将PDF页面转为高质量图像
• 📑 全面操作：支持文本/图像提取、注释添加、文档合并拆分等

2. 环境安装

pip install PyMuPDF

3. 核心功能实战

3.1 基础操作

import fitz

# 打开PDF文件
doc = fitz.open("example.pdf")

# 获取元数据
print(f"页数: {doc.page_count}")
print(f"作者: {doc.metadata['author']}")

# 读取第一页文本
page = doc[0]
text = page.get_text()
print(text[:500])  # 打印前500字符

3.2 图像提取

# 提取页面中的所有图片
image_list = page.get_images(full=True)

for img_index, img in enumerate(image_list):
    xref = img[0]
    base_image = doc.extract_image(xref)
    with open(f"image_{img_index}.png", "wb") as f:
        f.write(base_image["image"])

3.3 页面操作

# 旋转页面并保存新文档
page.set_rotation(90)  # 顺时针旋转90度
doc.save("rotated.pdf")

# 创建新PDF并添加页面
new_doc = fitz.open()
new_page = new_doc.new_page(width=400, height=600)
new_page.insert_text((50, 50), "Hello PyMuPDF!")
new_doc.save("new_doc.pdf")

3.4 高级搜索

# 使用正则表达式搜索文本
pattern = r"\b\d{3}-\d{4}-\d{4}\b"  # 匹配电话号码
matches = page.search_for(pattern)
for rect in matches:
    print(f"在位置 {rect} 发现匹配内容")

4. 性能优化建议

1. 逐页处理：使用for page in doc: 而非加载全部页面
2. 及时释放资源：处理完成后调用doc.close()
3. 使用文本缓存：对重复访问的文本使用page.get_text("dict")

5. 常见问题

Q：中文显示乱码怎么办？
A：确保使用支持中文的字体，或在提取文本时指定编码：

text = page.get_text("text", flags=fitz.TEXT_PRESERVE_WHITESPACE)

Q：如何处理加密PDF？

doc = fitz.open("encrypted.pdf", password="your_password")

6. 总结

PyMuPDF凭借其卓越的性能和丰富的功能，成为PDF自动化处理的首选工具。适合以下场景：

• 📊 大规模PDF数据抽取
• 🤖 自动化文档处理流程
• 🎨 高精度PDF渲染应用

资源推荐：

• 官方文档
• GitHub仓库：pymupdf/PyMuPDF

---

注意事项：

1. 代码测试时请使用实际PDF文件路径
2. 处理敏感文档时注意隐私保护
3. 部分高级功能需要v1.18.0+版本支持