Python PDF神器PyMuPDF使用指南 (二)——文件和文本功能

系列文章：

Python PDF神器PyMuPDF使用指南 (一)——安装和基础功能

Python PDF神器PyMuPDF使用指南 (二)——文件和文本功能

Python PDF神器PyMuPDF使用指南 (三)——图像和注释功能

Python PDF神器PyMuPDF使用指南 (四)——绘图、多线程和OCR功能

 Python PDF神器PyMuPDF使用指南 (五)——命令行使用

Python PDF神器PyMuPDF使用指南 (六)——Document类详解

Python PDF神器PyMuPDF使用指南 (七)——Page类详解

 Python PDF神器PyMuPDF使用指南 (八)——基础使用指南

---

正文：

PyMuPDF是一个高性能的Python库，用于PDF（和其他）文档的数据提取、分析、转换和操作。

Github地址为：pymupdf代码库

官方文档地址为：PyMuPDF文档

前文介绍了PyMuPDF基本的安装和基础的功能，本文将详细介绍PyMuPDF处理PDF（和其他）文档的打开文件和文本处理功能。

打开文件

支持的文件类型

PyMuPDF可以打开的文件不止有PDF，还有其他文件类型，下面是目前支持的全部文件类型：

打开文件的方式详解

基本打开方式

打开文件的方式为：

doc = pymupdf.open("a.pdf")

注意：这个方式创建了一个 Document对象，还有另外一种方式：doc=pymupdf.Document("a.pdf")。因此，open只是一个方便的别名，可以在Document对象介绍中找到其完整的API。后面会仔细介绍。

打开文件扩展名错误的文件

如果你有一个文件扩展名错误的文档，你仍然可以正确地打开它。

假设“some.file”实际上是一个XPS文件，你可以像这样打开它：

doc = pymupdf.open("some.file", filetype="xps")

注意
PyMuPDF不会自动根据文件内容判断文件类型。你需要以某种方式提供文件类型信息——可以通过文件扩展名隐式提供，或者像上面一样通过 filetype参数显式提供。有一些纯Python库，例如 filetype，可以帮助你实现这一点。有关详细信息，后面会在 Document对象介绍章节中详细解释。
如果PyMuPDF遇到一个没有扩展名或扩展名未知的文件，它会尝试将其作为PDF打开。因此，在这种情况下无需额外的预防措施。对于内存中的文档，可以直接指定 doc=pymupdf.open(stream=mem_area)来将其作为PDF文档打开。
如果尝试打开一个不支持的文件类型，PyMuPDF将抛出文件数据错误。

打开远程文件

对于服务器上的远程文件（即非本地文件），你需要将文件数据流传输到PyMuPDF。

例如，可以使用requests库如下操作：

import pymupdf
import requests

r = requests.get('https://mupdf.com/docs/mupdf_explored.pdf')
data = r.content
doc = pymupdf.Document(stream=data)

从云服务打开文件

关于如何处理存储在常见云服务上的文件的更多示例，请参阅这些与云交互相关的代码片段。

以文本格式打开文件

PyMuPDF支持将任何纯文本文件作为文档打开。为此，你应为pymupdf.open函数提供filetype="txt"参数。

doc = pymupdf.open("my_program.py", filetype="txt")

通过这种方式，你可以打开各种文件类型，并执行典型的非PDF特定操作，例如文本搜索、文本提取和页面渲染。显然，一旦你渲染了txt内容，将其保存为PDF或与其他PDF文件合并是没有问题的。

示例

打开C#文件：

doc = pymupdf.open("MyClass.cs", filetype="txt")

打开XML文件：

doc = pymupdf.open("my_data.xml", filetype="txt")

打开JSON文件：

doc = pymupdf.open("more_of_my_data.json", filetype="txt")

等等！如你所见，许多基于文本的文件格式可以非常简单地通过PyMuPDF打开并解析。这使得对广泛的先前不可用的文件进行数据分析和提取成为可能。

文本处理

如何提取文档中的所有文本

这个脚本将接受一个文档文件名，并生成一个包含文档所有文本的文本文件。

该文档可以是任何支持的类型。

此脚本作为命令行工具运行，期望将文档文件名作为参数提供。它会在脚本目录中生成一个名为“filename.txt”的文本文件。页面文本之间通过换页符（form feed）字符分隔：

import sys, pathlib, pymupdf
fname = sys.argv[1]  # 获取文档文件名
with pymupdf.open(fname) as doc:  # 打开文档
    text = chr(12).join([page.get_text() for page in doc])
# 以二进制文件格式写入以支持非ASCII字符
pathlib.Path(fname + ".txt").write_bytes(text.encode())

输出将是文档编码格式的纯文本。不会进行任何格式化，特别是对于PDF文件，这可能意味着输出顺序不符合常规阅读顺序，出现意外的换行等。

有很多方法可以修正这一点——参见附录2：关于嵌入文件的注意事项</