python处理pdf文件

简介

对pdf文件的常见操作需求包括读取pdf中的文字图表，新建或截取pdf，pdf与其他格式的转换等。通过代码可更灵活的实现各种功能需求。在众多可处理pdf的包中选择PyMuPDF进行介绍。PyMuPDF是MuPDF的python接口，可处理 的文件格式后缀包括 pdf，xps，oxps，cbz，fb2， epub。另外也可处理10余种常见图片格式，包括：png，jpg，bmp，tiff等。

具体功能

• 搜索文本
• 提取文本和图片
• 转换格式为 html，xml，json，txt
• 结合Tesseract使用，可对图片进行OCR 文本提取
• 可作为图片转换器，将读入的文件转换为PNG，PNM，PAM或 Photoshop文件，同时也可以与PIL/Pillow结合使用进行图片操作
• 对于pdf文件，可进行文件和页面的创建，合并和拆分。同时页面可进行插入，删除，替换或重新排列等操作
• 可将pdf重新格式化，以使其能够双面打印，色调分离，添加logo或水印等
• 支持加密，解密，权限设置等密码保护措施

安装

pip install pymupdf 或 PyMuPDF
由于历史原因，导入PyMuPDF 包的语句为：
import fitz

常用操作

以下以 1.18.17 版本为例介绍。

1. 读取pdf文件

   可直接打开支持的文件类型，输入文件名即可。也可以打开已经由其他工具读取的文件流。打开后，可对其中的页面进行操作。

doc = fitz.open(filename)
# 先从zip压缩文件读取，再使用fitz打开
doc = fitz.open(stream=zfile.read(pdf), filetype="pdf") 
# 获取pdf中页面
first_page = doc.load_page(0)
# 或直接遍历
for page in doc:
	# do something

2. 提取pdf中全部文本或搜索文本

   遍历所有页面，获取文本。搜索文本只能在单个页面上进行，可通过遍历获取全部结果。

texts = ""
with fitz.open