Python 处理 PDF 的神器 -- PyMuPDF(上)

　　# 1、PyMuPDF简介

　　1.介绍

　　在介绍PyMuPDF之前，先来了解一下MuPDF，从命名形式中就可以看出，PyMuPDF是MuPDF的Python接口形式。

　　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。

　　MuPDF 中的渲染器专为高质量抗锯齿图形量身定制。它以精确到像素的几分之一内的度量和间距呈现文本，以在屏幕上再现打印页面的外观时获得最高保真度。

　　这个观察器很小，速度很快，但是很完整。它支持多种文档格式，如PDF、XPS、OpenXPS、CBZ、EPUB和FictionBook 2。您可以使用移动查看器对PDF文档进行注释和填写表单(这个功能很快也将应用于桌面查看器)。

　　命令行工具允许您注释、编辑文档，并将文档转换为其他格式，如HTML、SVG、PDF和CBZ。您还可以使用Javascript编写脚本来操作文档。

　　PyMuPDF

　　PyMuPDF(当前版本1.18.17)是支持MuPDF(当前版本1.18.*)的Python绑定。

　　使用PyMuPDF，你可以访问扩展名为“.pdf”、“.xps”、“.oxps”、“.cbz”、“.fb2”或“.epub”。此外，大约10种流行的图像格式也可以像文档一样处理:“.png”，“.jpg”，“.bmp”，“.tiff”等。

　　# 2. 功能

　　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:它们可以创建、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

　　命令行模块"python -m fitz…"具有以下特性的多功能实用程序

　　加密/解密/优化

　　创建子文档

　　文档连接

　　图像/字体提取

　　完全支持嵌入式文件

　　保存布局的文本提取(所有文档)

　　新:布局保存文本提取!

　　脚本fitzcliy .py通过子命令“gettext”提供不同格式的文本提取。特别有趣的当然是布局保存，它生成的文本尽可能接近原始物理布局，周围有图像的区域，或者在表格和多列文本中复制文本。