Python3 处理PDF之PyMuPDF 入门

PyMuPDF 简介

PyMuPDF是一个用于处理PDF文件的Python库，它提供了丰富的功能来操作、分析和转换PDF文档。这个库的设计目标是提供一个简单易用的API,使得开发者能够轻松地在Python程序中实现PDF文件的各种操作。

PyMuPDF的主要特点如下：

• 跨平台兼容性：PyMuPDF支持多种操作系统，如Windows、macOS和Linux,可以在这些平台上运行Python程序。
• 强大的PDF处理能力：PyMuPDF提供了丰富的功能来操作PDF文件，如读取、写入、分割、合并、旋转、裁剪等。此外，它还支持加密和解密PDF文档，以及提取文本、图像和元数据等信息。
• 易于使用：PyMuPDF的API设计简洁明了，易于学习和使用。开发者可以通过简单的函数调用来实现各种PDF操作，而无需深入了解底层细节。

PyMuPDF 安装及其依赖第三方框架

pip 安装 PyMuPDF 模块

pip install pymupdf

验证pymupdf 模块是否安装成功

import fitz
import PIL

# 打印pymupdf模块:基本信息
from fitz import TextPage

print(fitz.__doc__)

PyMuPDF 1.22.5: Python bindings for the MuPDF 1.22.2 library.
Version date: 2023-06-21 00:00:01.
Built for Python 3.10 on win32 (64-bit).

PyMuPDF 依赖第三方框架

当使用Pixmap.pil_save()和 Pixmap.pil_tobytes() 需要 Pillow模块

当使用Document.subset_fonts()时需要 FontTools模块

PyMuPDF 核心类

在PyMuPDF 核心类演示涉及类

其他未使用到的其他类:Archive（档案）、Colorspace(色彩空间对象)、DisplayList(显示列表对象)、DocumentWriter(文档编辑对象)、Identity(身份对象)、 IRect(长方形对象)、linkDest(连接目的对象)、Matrix(矩阵对象)、Outline(大纲)、Quad(四边形对象)、Shape(形状对象)、 Story(章节对象)、TextPage(文本页面对象)、TextWriter(文本写入对象)、Tools(工具类)、Xml(xml 文档对象)

PyMuPDF 核心类演示

加载PDF文件

# 加载pdf 文件
doc = fitz.open("E:\doc\opencv 4.1中文官方文档v1.1版.pdf")

获取Document 属性和方法

# 获取Document 文档对象的属性和方法
# 1、获取pdf 页数
pageCount = doc.page_count
print("pdf 页数", pageCount)

# 2、获取pdf 元数据
metaData = doc.metadata
print("pdf 元数据:", metaData)

# 3、获取pdf 目录信息
toc = doc.get_toc()
print("pdf 目录：", toc)

Page 属性和方法

通过Page 对象实现以下功能:

• 您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。

• 您可以提取多种格式的页面文本和图像，并搜索文本字符串。

Page 加载方法

page = doc.load_page(pno) # loads page number 'pno' of the document (0-based)
page = doc[pno] # the short form

Documnet 迭代器加载Page 方法

for page in doc:
    # do something with 'page'
    
# ... or read backwards
for page in reversed(doc):
    # do something with 'page'
    
# ... or even use 'slicing'
for page in doc.pages(start, stop, step):
    # do something with 'page'

# 获取Page 页面对象的属性和方法
page = doc.load_page(1)  # 默认加载第一页
print("page 对象:", page)

检查页面的链接、批注或表单字段

# 1、获取Page 页面的链接、批注或表单字段
links = page.get_links()
for link in links:
    # 涉及Link 对象
    print("链接:", link)

annots = page.annots()
for annot in annots:
    # 涉及Annot 对象
    print("批注:", annot)

widgets = page.widgets()
for widget in widgets:
    # 涉及表单字段
    print("表单字段:", widget)

页面展示/页面图像保存到文件中

# 2、Page 页面-光栅图像
pix = page.get_pixmap()
print("打印页面图像对象:", pix)
# 保存光栅图像图像,需要依赖第三方框架:Pillow
pix.pil_save("page-%i.png" % page.number)

Page.get_pixmap()提供了许多用于控制图像的变体：分辨率、颜色空间（例如，生成灰度图像或具有减色方案的图像）、透明度、旋转、镜像、移位、剪切等。

Pixmap包含以下引用的许多方法和属性。其中包括整数宽度 、高度 （每个像素）和跨距 （一个水平图像行的字节数）。属性示例表示表示图像数据的矩形字节区域（Python字节对象）。

温馨提示:page.get_svg_image()创建页面的矢量图像。

提取文本和图像

# 3、Page 获取文本\图像\其他信息
# 温馨提示:涉及TextPage 常量类型定义
text = page.get_text("text")
print("指定页面文本内容:", text)

对opt使用以下字符串之一以获取不同的格式：

• "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。这可以通过internet浏览器显示- "dict"/"json"：与HTML相同的信息级别，但作为Python字典或resp.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。

搜索文本

# 4、Page 文本检索
search = page.search_for("图像的基本操作")
print("打印检索文本的位置:", search)

提供一个矩形列表 ，每个矩形都包含一个字符串"mupdf"（不区分大小写）。

PDF操作

PDF是唯一可以使用PyMuPDF修改 的文档类型。其他文件类型是只读的。但是，您可以将任何文档（包括图像）转换为PDF ，然后将所有PyMuPDF功能应用于转换果,Document.convert_to_pdf()。

Document.save()始终将PDF以其当前（可能已修改）状态存储在磁盘上。

通常，您可以选择是保存到新文件，还是仅将修改附加到现有文件（"增量保存"），这通常要快得多。

# Document 操作PDF页面
# 1、PDF 页面删除
# doc.delete_page(1)
# 1、PDF 页面拷贝和移动
doc.copy_page(1)  # 第一页移动最后一页,温馨提示：移动的页面还在元PDF 文件中。
# 1、 PDF 插入页面,  返回插入页面对象
new_page = doc.new_page(pno=-1, width=595, height=842)
# 插入页面, 设置文本
text = "你的文本"
point = fitz.Point(50, 50)  # 这是一个下x,y 二维坐标系，在这个区域内插入你的文本
new_page.insert_text(point, text, fontsize=20)
# 2、Document 保存
doc.save("opencv pdf文件调整.pdf")
# 3、Documemt 销毁
doc.close()

PDF 删除方法

Document.delete_page()
Document.delete_pages()

PDF移动拷贝方法

Document.copy_page()
Document.fullcopy_page()
Document.move_page()

PDF插入Page 方法

Document.insert_page()
Document.new_page()

PyMuPDF 核心功能模块封装

PDF 分割

每一页单独保存为一个pdf

def split_per_page(input, output):
    if not os.path.exists(output):
        os.makedirs(output)
    
    doc = fitz.open(input)
    for page in range(doc.page_count):
        dst_doc = fitz.open()
        dst_doc.insert_pdf(doc,from_page=page,to_page=page)
        dst_doc.save(os.path.join(output,f'{page}.pdf'))
        dst_doc.close()
    doc.close()

# 把每一个页面保存为一个pdf，并保存在test文件夹中
split_per_page("test.pdf","test")

范围内的页面保存为pdf

def split_range_page(input, output, range):
    if not os.path.exists(output):
        os.makedirs(output)
    doc = fitz.open(input)
    start = range[0] - 1
    end = range[1] - 1
    dst_doc = fitz.open()
    dst_doc.insert_pdf(doc, from_page=start, to_page=end)
    dst_doc.save(os.path.join(output,'range_page.pdf'))
    dst_doc.close()
    doc.close()

# 把1-10也保存为pdf，保存在test文件夹中
split_range_page('test.pdf','test', [1,10])

任意的页面保存为pdf

def split_selected_page(input, output, pages):
    if not os.path.exists(output):
        os.makedirs(output)
    
    doc = fitz.open(input)
    result = map(lambda x: x - 1, pages)
    doc.select(list(result))
    doc.save(os.path.join(output,'selected_pages.pdf'))
    doc.close()
    
# 把第一、三、八页面保存为pdf，并保存在test文件夹中
split_selected_page('test.pdf','test',[1,3, 8])

PDF 合并

import fitz

doc_a = fitz.open("a.pdf") # open the 1st document
doc_b = fitz.open("b.pdf") # open the 2nd document

doc_a.insert_pdf(doc_b) # merge the docs
doc_a.save("a+b.pdf") # save the merged document with a new filename

# 把b.pdf合并到a.pdf，保存为a+b.pdf

PDF 中的图片提取

import fitz

doc = fitz.open("test.pdf") # open a document

for page_index in range(len(doc)): # iterate over pdf pages
	page = doc[page_index] # get the page
	image_list = page.get_images()

	# print the number of images found on the page
	if image_list:
		print(f"Found {len(image_list)} images on page {page_index}")
	else:
		print("No images found on page", page_index)

	for image_index, img in enumerate(image_list, start=1): # enumerate the image list
		xref = img[0] # get the XREF of the image
		pix = fitz.Pixmap(doc, xref) # create a Pixmap

		if pix.n - pix.alpha > 3: # CMYK: convert to RGB first
			pix = fitz.Pixmap(fitz.csRGB, pix)

		pix.save("page_%s-image_%s.png" % (page_index, image_index)) # save the image as png
		pix = None

PDF 保存为图片

def covert2pic(zoom):
    doc = fitz.open("test.pdf")
    total = doc.page_count
    for pg in range(total):
        page = doc[pg]
        zoom = int(zoom)            #值越大，分辨率越高，文件越清晰
        rotate = int(0)
        
        trans = fitz.Matrix(zoom / 100.0, zoom / 100.0).prerotate(rotate)
        pm = page.get_pixmap(matrix=trans, alpha=False)
      
        lurl='.pdf/%s.jpg' % str(pg+1)
        pm.save(lurl)
    doc.close()

covert2pic(200)

PDF 添加水印

def add_watermark(input, watermark):
    doc = fitz.open(input)
    for page in doc:
        page.insert_image(page.bound(),filename=watermark, overlay=False)
    doc.save(os.path.join("test","watermark.pdf"))
    doc.close()
    
add_watermark("test.pdf","watermark.png")

PDF 加密

PDF加密有两种形式

• 用户加密，需要输入密码才能打开pdf

• 拥有者加密，可以防止打印、复制、添加注释、添加删除页面等功能

  def encrypt_pdf():
  perm = int(
  fitz.PDF_PERM_ACCESSIBILITY # always use this
  | fitz.PDF_PERM_PRINT # permit printing
  | fitz.PDF_PERM_COPY # permit copying
  | fitz.PDF_PERM_ANNOTATE # permit annotations
  ) # 可以打印，复制，添加注释
  owner_pass = "owner" # owner password
  user_pass = "user" # user password
  encrypt_meth = fitz.PDF_ENCRYPT_AES_256 # strongest algorithm
  doc = fitz.open("test.pdf") # empty pdf
  doc.save("encrypt.pdf",encryption=encrypt_meth,owner_pw=owner_pass,permissions=perm,user_pw=user_pass) # 同时使用

  这两个加密方式可以，单独使用，也可以同时使用

  单独使用用户加密

  doc.save("encrypt.pdf",encryption=encrypt_meth,owner_pw=owner_pass)

PyMuPDF 在PyQT5 运用

功能要求：在PyQT-5 展示pdf 文件.

效果展示:

PyQT-5 UI效果展示和源文件

pdfshow.ui

<?xml version="1.0" encoding="UTF-8"?>
<ui version="4.0">
 <class>Form</class>
 <widget class="QWidget" name="Form">
  <property name="geometry">
   <rect>
    <x>0</x>
    <y>0</y>
    <width>400</width>
    <height>300</height>
   </rect>
  </property>
  <property name="windowTitle">
   <string>Form</string>
  </property>
  <widget class="QLabel" name="label">
   <property name="geometry">
    <rect>
     <x>130</x>
     <y>70</y>
     <width>54</width>
     <height>12</height>
    </rect>
   </property>
   <property name="text">
    <string>PDF展示</string>
   </property>
  </widget>
 </widget>
 <resources/>
 <connections/>
</ui>

pdfshow.py 源码

# -*- coding: utf-8 -*-

# Form implementation generated from reading ui file 'pdfshow.ui'
#
# Created by: PyQt5 UI code generator 5.15.9
#
# WARNING: Any manual changes made to this file will be lost when pyuic5 is
# run again.  Do not edit this file unless you know what you are doing.
import sys

from PyQt5 import QtCore, QtWidgets
from PyQt5.QtGui import QImage, QPixmap, QTransform
from PyQt5.QtWidgets import QWidget, QApplication
# 添加PDF 文件操作依赖
import fitz


class Ui_Form(QWidget):
    def __init__(self):
        super().__init__()
        self.label = None
        self.setupUi()
        self.image()

    def setupUi(self):
        self.setObjectName("Form")
        self.resize(400, 300)
        self.label = QtWidgets.QLabel(self)
        self.label.setGeometry(QtCore.QRect(130, 70, 54, 12))
        self.label.setObjectName("label")

        self.retranslateUi()
        QtCore.QMetaObject.connectSlotsByName(self)

    def retranslateUi(self):
        _translate = QtCore.QCoreApplication.translate
        self.setWindowTitle(_translate("Form", "Form"))
        self.label.setText(_translate("Form", "PDF展示"))

    def image(self):
        file = "E:\doc\opencv 4.1中文官方文档v1.1版.pdf"
        # 打开文件
        doc = fitz.open(file)
        # 读取一页 0代表第1页
        page_one = doc.load_page(1)
        # 将第一页转换为Pixmap
        page_pixmap = page_one.get_pixmap()
        # 将Pixmap转换为QImage
        image_format = QImage.Format_RGBA8888 if page_pixmap.alpha else QImage.Format_RGB888
        page_image = QImage(page_pixmap.samples, page_pixmap.width,
                            page_pixmap.height, page_pixmap.stride, image_format)
        width = page_image.width()
        height = page_image.height()
        # QImage 转为QPixmap
        pix = QPixmap.fromImage(page_image)
        trans = QTransform()
        trans.rotate(90)  # 这里设置旋转角度
        new = pix.transformed(trans)
        # 设置标签宽和高
        self.label.setFixedSize(400, 350)
        # 设置图片大小自适应标签
        self.label.setScaledContents(True)
        # 给标签设置图像
        self.label.setPixmap(new)


if __name__ == '__main__':
    app = QApplication(sys.argv)

    w = Ui_Form()
    w.show()
    sys.exit(app.exec_())

解决思路

1. 使用PyMuPDF模块打开文件。
2. 读取第一页pdf文件第一页。
3. 从第一页获取图像，是Pixmap类。
4. 使用PyQt5的QImage将上面的Pixmap转换为QImage。
5. 将QImage转换为QPixmap。
6. 将QPixmap设置给Label。