能够用来对PDF文档进行操作的Python包有好几个，如提取内容的PdfPlumber、PDFMiner，可以用来对PDF文件进行修改操作的PyPDF2等等，如果只是需要简单地对PDF文件实现合并、拆分、书签操作，使用PyPDF2就足以满足。但如果想对PDF文件进行一些底层操作，基本上只有PyMuPDF了
目录
- 安装与简介
- MuPDF
- PyMuPDF
- PyMuPDF使用
- 元数据
- 页面Page
- 代码示例
- PDF转图片
- 图片转PDF
- PDF转PPT
文章目录 安装与简介MuPDFPyMuPDF PyMuPDF使用元数据页面Page 代码示例PDF转图片图片转PDFPDF转PPT
PyMuPDF提供了PDF及流行图片处理接口。
安装与简介
安装：pip install PyMuPDF
PyMuPDF使用手册参见https://pymupdf.readthedocs.io/en/latest/index.html
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:
- 支持多种文档格式：如PDF、XPS、OpenXPS、CBZ、EPUB和FictionBook 2；
- 命令行工具可注释、编辑文档，并将文档转换为其他格式：如HTML、SVG、PDF和CBZ。
PyMuPDF
PyMuPDF是MuPDF的Python接口库：
- 可访问扩展名为“.pdf”、“.xps”、“.oxps”、“.cbz”、“.fb2”或“.epub”的文档；
- 可像文档样处理流行图像格式：“.png”，“.jpg”，“.bmp”，“.tiff”等
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，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
PyMuPDF使用
通过open可打开文档（Document对象）：
import fitz
doc = fitz.open(filename)
# ...
doc.save('file')
doc.close()
Document中发主要方法与属性：
| 方法/属性 | 描述 |
|---|---|
| Document.page_count | 页数 (int) |
| Document.metadata | 元数据 (dict) |
| Document.get_toc() | 获取目录 (list) |
| Document.load_page() | 读取页面 |
对于PDF文档，有以下页面操作方法：
- 删除页面：Document.delete_page()和Document.delete_pages()
- 复制或移动页面：Document.copy_page()、Document.fullcopy_page()和Document.move_page()
- 选择页面（只保留选择范围内的页面）：Document.select()
- 插入新页：Document.insert_page()和Document.new_page()，以及Document.insert_pdf()
元数据
Document.metadata是一个具有以下键的Python字典。
| Key | Value |
|---|---|
| producer | producer (producing software) |
| format | format: ‘PDF-1.4’, ‘EPUB’, etc. |
| encryption | encryption method used if any |
| author | 作者 |
| modDate | 最后修改日期 |
| keywords | 关键字 |
| title | 标题 |
| creationDate | 创建日期 |
| creator | creating application |
| subject | subject |
页面Page
页面是MuPDF的核心：
• 可以将页面呈现为光栅或矢量（SVG）图像，可以选择缩放、旋转、移动或剪切页面。
• 可以提取多种格式的页面文本和图像，并搜索文本字符串。
• 对于PDF文档，可以使用更多的方法向页面添加文本或图像。
从Document中获取页面，页面索引：
第一页为0；
负数表示从末尾倒数：如doc[-1]表示获取最后一页；
# pno是页面索引 page = doc.load_page(pno) # or page = doc[pno]
页面操作方法：
page.get_links()：获取页面中的连接（返回字典）；
page.annots()：获取注释；
page.widgets()：获取表单；
pix = page.get_pixmap()：获取光栅图像（整个页面作为一个图像）；
pix.save('page.jpg')：保存为图像；
page.get_svg_image()：获取矢量图像；
page.get_text(opt)：获取文本，opt可为：
- “text”：（默认）带换行符的纯文本（无格式、无文字位置详细信息、无图像）；
- “blocks”：生成文本块（段落）的列表；
- “words”：生成单词列表（不包含空格的字符串）；
- “html”：创建页面的完整视觉版本，包括任何图像；
- “dict”/“json”：与HTML相同的信息级别，但作为Python字典或JSON字符串。
- “rawdict”/“rawjson”：“dict”/"json"的超级集合。它还提供诸如XML之类的字符详细信息。
- “xhtml”：文本信息级别与文本版本相同，但包含图像。
- “xml”：不包含图像，但包含每个文本字符的完整位置和字体信息，使用XML模块进行解释。
page.search_for("txt")：搜索文本
代码示例
PDF转图片
通过get_pixmap获取每页PDF为图片，然后保存即可。其中zoom用于控制生成图片的缩放比例。
import fitz
def pdf2image(pdfFile, storePath, zoom=2.0):
doc = fitz.open(pdfFile)
picName = os.path.splitext(os.path.basename(pdfFile))[0]
index = 0
os.makedirs(storePath, exist_ok=True)
images = []
print(f"To convert: {pdfFile}")
for pg in range(doc.page_count):
page = doc[pg]
index += 1
rotate = int(0)
print(f"\tconvert page {index}")
# 每个尺寸的缩放系数(提高生成分辨率)
zoom_x, zoom_y = zoom, zoom
mat = fitz.Matrix(zoom_x, zoom_y)
pm = page.get_pixmap(matrix=mat, alpha=False)
imgName = '{}-{}.jpg'.format(picName, index)
imgFile = os.path.join(storePath, imgName)
pm.save(imgFile)
images.append(imgFile)
doc.close()
return images
图片转PDF
把图片插入到新建页中（插入位置使用页面框，即填充整个页面）
def image2pdf(imgDir, pdfFile, width=595, height=842):
doc = fitz.open()
print("To convert image to PDF:")
for img in sorted(glob.glob("{}/*".format(imgDir))):
print(f"\tAdd image {img}")
page = doc.new_page(width=width, height=height)
page.insert_image(page.rect, filename=img) # 将当前页插入文档
doc.save(pdfFile)
print(f"PDF save to {pdfFile}")
doc.close()
PDF转PPT
转PPT时需要用到pptx库：pip install python-pptx
使用文档：https://python-pptx.readthedocs.io/en/latest/index.html
先把PDF转为图片，然后把每张图片生成一个幻灯片页面（PPT页面大小有width与height控制）
import fitz
import pptx
from pptx.util import Inches
def pdf2pptx(pdfFile, pptFile, imgPath, width=10, height=7.5, zoom=2.0):
images = pdf2image(pdfFile, imgPath, zoom)
ppt = pptx.Presentation()
for i in images:
layout = ppt.slide_layouts[0] # 定义一个PPT页面样式
slide = ppt.slides.add_slide(layout)
slide.shapes.add_picture(
image_file=i,
left=Inches(0),
top=Inches(0),
width=Inches(width),
height=Inches(height)
)
ppt.save(pptFile)
shutil.rmtree(imgPath)
到此这篇关于Python PyMuPDF实现PDF与图片和PPT相互转换的文章就介绍到这了,更多相关Python PyMuPDF内容请搜索北冥有鱼以前的文章或继续浏览下面的相关文章希望大家以后多多支持北冥有鱼！
