使用PyMuPDF程序处理PDF

walk walk2024-06-16 14:53

MuPDF 是一个 C/C++ 编写的跨平台 PDF 库，它提供强大的功能来处理 PDF 文件，包括提取文本、图像和元数据，以及支持PDF页面的添加、删除和旋转。PyMuPDF 是 MuPDF 的 Python 版本，允许 Python 程序使用 MuPDF 的强大功能。

首先，确保已经安装了PyMuPDF库。可以使用pip来安装：

复制代码

pip install pymupdf

以下是使用 PyMuPDF 的简单示例：

打开和读取 PDF 文件

复制代码

import fitz  # 引入 PyMuPDF 库

# 打开 PDF 文件
doc = fitz.open("test.pdf")

# 输出文件信息
print(f"文件名称: {doc.name}")
print(f"页面数: {len(doc)}")

# 读取第一页
page = doc[0]  # 获取第一页
text = page.get_text()
print(f"第一页文本:\n{text}")

提取PDF文本和图像

复制代码

import fitz

doc = fitz.open("test.pdf")
page = doc[0]

# 提取文本
text = page.get_text()
print(text)

# 提取图片
for img in page.get_images():
    imgf= img[0]
    pix = fitz.Pixmap(doc, imgf)
    pix.save(f"image_{imgf}.png")

给文档添加注释

复制代码

import fitz

doc = fitz.open("test.pdf")
page = doc[0]

# 添加注释
annot = page.add_rect_annot(fitz.Rect(100, 100, 200, 200))
annot.set_text("这是一个注释")

# 保存修改后的 PDF 文件
doc.save("out.pdf")

转换 PDF 为图像

复制代码

import fitz

doc = fitz.open("test.pdf")
page = doc[0]

# 将页面转换为 PNG 图像
pix = page.get_pixmap()
pix.save("image.png")

进行 OCR识别

复制代码

import fitz  # PyMuPDF 库
import pytesseract  # 这里需要安装Tesseract OCR 库

# 确保已安装 Tesseract OCR 引擎并设置好环境变量

# 打开 PDF 文件
doc = fitz.open("my.pdf")

# 处理每一页
for page_num in range(len(doc)):
    page = doc[page_num]

    # 获取图像
    pix = page.get_pixmap()

    # 保存图像
    image_path = f"page_{page_num + 1}.png"
    pix.save(image_path)

    # 使用 Tesseract 进行 OCR
    text = pytesseract.image_to_string(image_path, lang='eng')  # 设置语言

    # 打印 OCR 结果
    print(f"页面 {page_num + 1} 的文本：\n{text}")

    # 可选：保存 OCR 结果到文本文件
    with open(f"output_{page_num + 1}.txt", "w", encoding="utf-8") as f:
        f.write(text)

关于更多使用PyMuPDF方法可以参考官方手册 PyMuPDF 1.24.4 documentation

或者mupdf的官方文档 MuPDF documentation

文章地址：使用PyMuPDF程序处理PDF -- AI小站