python+PyMuPDF库：(一)创建pdf文件及内容读取和写入

目录

文档操作

打开文档

获取文档信息

删除页

复制页

移动页

选择重构合并

保存关闭

页对象操作

内容读取

获取页对象的字体样式

插入文本标签

插入文本内容

字体设置

insert_text添加文本

insert_textbox添加文本

插入图片

获取页面注释、链接、表单字段

获取页面RGB图像数据并将页面保存为图片

获取页面的矢量图(转svg)

创建新页面

---

安装：pip install PyMuPDF -i https://pypi.mirrors.ustc.edu.cn/simple/

PyMuPDF库支持多种文档格式的内容读取，如PDF、XPS、CBZ等，支持将文档转换为其他格式，如HTML、SVG、PDF和CBZ等。

PyMuPDF可以修改pdf文件的内容。其他文件类型用PyMuPDF是只读的。但可以将任何文档（包括图像）转换为PDF（Document.convert_to_pdf()），然后将再使用PyMuPDF的功能进行操作。

参考文档：https://pymupdf.readthedocs.io/en/latest/page.html

文档操作

打开文档

open()没有参数时是打开新的文档，有参数时是加载指定文档

fitz和pymupdf 是同一个库，操作相同

import fitz  # fitz就是PyMuPDF的别名
# import pymupdf  # 同fitz


# new_pdf = pymupdf.open()
# pdf_document = pymupdf.open(pdf_path)  # 打开文档，获取文档对象

new_pdf = fitz.open()
pdf_document = fitz.open(pdf_path)  # 打开文档，获取文档对象

获取文档信息

    print(pdf_document.metadata)  # 获取文档信息
    print(pdf_document.get_toc())  # 获取目录大纲
    print(pdf_document.page_count)  # 获取页数

文档信息如下：

{'format': 'PDF 1.7', 'title': '', 'author': '', 'subject': '', 'keywords': '7e1d6144af9e0ffb0HJ_0924E1RQy4S3U_uCQ-ernv_VMhNm', 'creator': 'Microsoft® Word 2021', 'producer': 'Microsoft® Word 2021; modified using iText® 5.5.13 ©2000-2018 iText Group NV (AGPL-version)', 'creationDate': "D:20240322202301+08'00'", 'modDate': "D:20240423092659+08'00'", 'trapped': '', 'encryption': None}

删除页

delete_page 删除指定页,一次只删除一页，参数为对应页的索引

pdf_document.delete_page(-1)

delete_pages 删除多页，传入参数如果为列表/元组/范围，可删除对应页，如果是两个整数则删除从第n页到第m页(关键字'from_page'/'to_page')

    pdf_document.delete_pages((2,4,7))
    pdf_document.delete_pages(3,5)

复制页

    pdf_document.copy_page(2)  # copy_page(n,m)将第n+1页复制到第m+1页,m默认为-1(最后一页)，复制PDF文档中的页面。这只会创建同一个页面对象的另一个引用
    pdf_document.fullcopy_page(2)  # fullcopy_page(n,m)将第n+1页复制到第m+1页,m默认为-1(最后一页)，复制一整页

移动页

pdf_document.move_page(0,2)  # move_page(n,m)将第n+1页移动到第m+1页,m默认为-1(最后一页)

选择重构合并

在列表中建立带有页码的子pdf。参数为需要重新创建指定页的页码列表，页码必须是在范围内，会根据列表中的顺序选择整合文档，这里演示只合并奇数页。

pdf_document.select([i for i in range(0,pdf_document.page_count,2)]) 

保存关闭

    def save(
            self,
            filename,
            garbage=0,
            clean=0,
            deflate=0,
            deflate_images=0,
            deflate_fonts=0,
            incremental=0,
            ascii=0,
            expand=0,
            linear=0,
            no_new_id=0,
            appearance=0,
            pretty=0,
            encryption=1,
            permissions=4095,
            owner_pw=None,
            user_pw=None,
            preserve_metadata=1,
            use_objstms=0,
            compression_effort=0,
            ):

    pdf_document.save(rf'{save_img_path}\{pdf_file_name}-副本{int(time())}.pdf')
    pdf_document.close()

页对象操作

内容读取

PyMuPDF支持将读取到的内容转为多种格式的数据，默认为text纯文本内容

"text"：（默认）带换行符的纯文本（不包含格式、文字位置详细信息和图像）。

    pdf_document = fitz.open(pdf_path)  # 打开文档，获取文档对象

    for page_num in range(len(pdf_document)):
        page = pdf_document.load_page(page_num)  # 获取页对象
        text = page.get_text()  # 获取页面文本内容
        print(text)

"blocks"：生成文本块（段落）的列表。

"words"：生成不包含空格的字符串单词列表。

"html"：创建包括任何图像的html数据。

def fitz_pdf(pdf_path):
    pdf_document = fitz.open(pdf_path)  # 打开文档，获取文档对象

    for page_num in range(len(pdf_document)):
        page = pdf_document.load_page(page_num)  # 获取页对象
        html = page.get_text("html")  # 获取页面内容
        with open(f'test-{page_num}.html', 'w') as f:
            f.write(html)

    pdf_document.close()

"dict" 或 "json"：

"rawdict"或 "rawjson"：包含XML之类字符详细信息的"dict"及"json"的超级集合。

"xhtml"：包含图像及文本信息级别的html数据。

"xml"：不包含图像，只有每个文本字符的完整位置和字体信息。

获取页对象的字体样式

        page = pdf_document.load_page(page_num)  # 获取页对象
        print(page.get_fonts())  # 获取字体样式

[(14, 'ttf', 'TrueType', 'BCDEEE+Cambria', 'F1', 'WinAnsiEncoding'), (15, 'ttf', 'Type0', 'BCDFEE+MS-Gothic', 'F2', 'Identity-H'), (16, 'ttf', 'Type0', 'BCDGEE+MicrosoftYaHei', 'F3', 'Identity-H'), (17, 'n/a', 'TrueType', 'ArialMT', 'F4', 'WinAnsiEncoding'), (18, 'ttf', 'Type0', 'BCDHEE+SimHei', 'F5', 'Identity-H'), (19, 'ttf', 'Type0', 'BCDIEE+MicrosoftYaHei-Bold', 'F6', 'Identity-H'), (20, 'ttf', 'TrueType', 'BCDJEE+SimHei', 'F7', 'WinAnsiEncoding'), (21, 'ttf', 'TrueType', 'BCDKEE+MicrosoftYaHei', 'F8', 'WinAnsiEncoding'), (22, 'ttf', 'TrueType', 'BCDLEE+Cambria-Bold', 'F9', 'WinAnsiEncoding'), (23, 'n/a', 'TrueType', 'Arial-BoldMT', 'F10', 'WinAnsiEncoding'), (24, 'ttf', 'Type0', 'BCDMEE+Wingdings-Regular', 'F11', 'Identity-H'), (25, 'ttf', 'TrueType', 'BCDNEE+ArialUnicodeMS', 'F12', 'WinAnsiEncoding'), (26, 'ttf', 'Type0', 'BCDOEE+ArialUnicodeMS', 'F13', 'Identity-H'), (1, 'n/a', 'Type1', 'Helvetica', 'Xi0', 'WinAnsiEncoding')]

插入文本标签

page.add_text_annot((50, 150), f'文本便利贴测试,这是{page_num + 1}页')

插入文本内容

字体设置

如果写入内容时不指定字体时，中文内容会乱码。

内置字体:china-s 黑体 china-ss 宋体 china-t 繁体黑体 china-ts 繁体宋体。

自定义字体添加如下，很多网上分享者都用 fitz.Font() 添加，根本没有用。

        page.insert_font(fontname="三极妙漫体",
                         fontfile=r"C:\Users\DELL\AppData\Local\JianyingPro\三极妙漫体.ttf",
                         fontbuffer=None, set_simple=False)  # 自定义字体添加

insert_text添加文本

    def insert_text(
            self,
            point: point_like,
            buffer_: typing.Union[str, list],
            fontsize: float = 11,
            lineheight: OptFloat = None,
            fontname: str = "helv",
            fontfile: OptStr = None,
            set_simple: bool = 0,
            encoding: int = 0,
            color: OptSeq = None,
            fill: OptSeq = None,
            render_mode: int = 0,
            border_width: float = 1,
            rotate: int = 0,
            morph: OptSeq = None,
            stroke_opacity: float = 1,
            fill_opacity: float = 1,
            oc: int = 0,
            ) -> int:

page.insert_text((50, 50), "这是中文测试", fontsize=15, fontname='china-s')

insert_textbox添加文本

    def insert_textbox(
        self,
        rect: rect_like,
        buffer: typing.Union[str, list],
        fontname: OptStr = "helv",
        fontfile: OptStr = None,
        fontsize: float = 11,
        lineheight: OptFloat = None,
        set_simple: bool = 0,
        encoding: int = 0,
        color: OptSeq = None,
        fill: OptSeq = None,
        expandtabs: int = 1,
        border_width: float = 0.05,
        align: int = 0,
        render_mode: int = 0,
        rotate: int = 0,
        morph: OptSeq = None,
        stroke_opacity: float = 1,
        fill_opacity: float = 1,
        oc: int = 0,
    ) -> float:

        text_rect = fitz.Rect(80, 80, 500, 100)  # 定义文本框位置
        page.insert_textbox(text_rect, "测试文本框添加操作", fontsize=12,
                            align=fitz.TEXT_ALIGN_LEFT, fontname='三极妙漫体',
                            fill=(200 / 255, 250 / 255, 100 / 255), rotate=90, fill_opacity=.2)

插入图片

insert_image(rect, *, alpha=-1, filename=None, height=0, keep_proportion=True, mask=None, oc=0, overlay=True, pixmap=None, rotate=0, stream=None, width=0, xref=0)

        img_rect = fitz.Rect((50, 50, 150, 100))
        page.insert_image(img_rect, filename=r'E:\桌面\99\测试图片\1.jpg')  # 可设置位置和图片大小

获取页面注释、链接、表单字段

        for ant in page.annots():  # 获取注释
            print(ant)
        for link in page.links():  # 获取链接
            print(link)
        for widget in page.widgets():  # 获取表单字段
            print(widget)

获取页面RGB图像数据并将页面保存为图片

get_pixmap(*, matrix=pymupdf.Identity, dpi=None, colorspace=pymupdf.csRGB, clip=None, alpha=False, annots=True)

获取页面RGB图像，参数包含分辨率、颜色空间（可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。可设置宽度、高度等。

        pix = page.get_pixmap()
        pix.save('test.png')

获取页面的矢量图(转svg)

        svg_img = page.get_svg_image()
        with open('test.svg', 'w') as f:
            f.write(svg_img)

创建新页面

pdf_document.new_page()