Python处理PDF——PyMuPDF的安装与使用(1)

1、PyMuPDF简介

1. 资料链接

• github地址： pymupdf/PyMuPDF: Python bindings for MuPDF’s rendering library
• 官方手册： PyMuPDF Documentation — PyMuPDF 1.18.17 documentation

2. 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。

3. 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