python提取pdf中的文字和图片_Python操作PDF-文本和图片提取（使用PyPDF2和PyMuPDF）...

PDF文件格式

如今，可移植文档格式(PDF)属于最常用的数据格式。在1990年，PDF文档的结构由Adobe定义。PDF格式的思想是，对于通信过程中涉及的双方(创建者，作者或发送者以及接收者)而言，传输的数据/文档看起来完全相同。

工具和库

适用于Python的PDF工具，模块和库的可用解决方案范围有些混乱，需要花一点时间弄清楚什么是什么，以及哪些项目需要连续维护。根据我们的研究，以下是最新的候选人：

PyPDF2：一个Python库，用于提取文档信息和内容，逐页拆分文档，合并文档，裁剪页面并添加水印。PyPDF2支持未加密和加密的文档。

PDFMiner：完全用Python编写，适用于Python 2.4。对于Python 3，请使用克隆的包PDFMiner.six。这两个软件包都允许您解析，分析和转换PDF文档。这包括对PDF 1.7以及CJK语言(中文，日文和韩文)的支持，以及各种字体类型(Type1，TrueType，Type3和CID)。

pdflib for Python：Poppler库的扩展，为它提供了Python绑定。它使您可以解析，分析和转换PDF文档。不要将其与具有相同名称的商业吊坠相混淆。

PyFPDF：一个在Python下生成PDF文档的库。从FPDF PHP库移植而来，这是著名的PDFlib扩展替换，其中包含许多示例，脚本和派生类。

PDFTables：一项商业服务，提供从PDF文档附带的表格中提取的内容。提供一个API，以便PDFTables可以用作SAAS。

PyX -Python图形包：PyX是用于创建PostScript，PDF和SVG文件的Python包。它结合了PostScript绘图模型的抽象和TeX / LaTeX接口。这些基元可以构建复杂的任务，例如以可发布的质量创建2D和3D绘图。

ReportLab：一个雄心勃勃的，具有行业实力的图书馆，主要致力于精确创建PDF文档。免费提供开放源代码版本和名为ReportLab PLUS的商业增强版本。

PyMuPDF(又称“ fitz”)：MuPDF的Python绑定，这是一种轻量级的PDF和XPS查看器。该库可以访