我要评论一、pymupdf 核心功能
文本提取
- 提取精确文本（保留布局信息）
- 支持按页面、区块、单词或行提取
- 处理加密文档（需提供密码）
文档渲染
- 将页面转为图像（png/jpeg）
- 高分辨率输出（支持缩放和旋转）
文档操作
- 合并/拆分 pdf
- 旋转、删除、插入页面
- 添加文本、图像、形状（矩形/圆形等）
高级特性
- 提取元数据、书签、链接、注释
- 搜索文本（支持正则表达式）
- 处理 pdf 表单（读取/填写字段）
- 安装方法
pip install pymupdf
二、关键代码示例
1. 打开文档 & 提取文本
import fitz # pymupdf 的导入名称
# 打开 pdf
doc = fitz.open("document.pdf")
# 提取第一页文本
page = doc.load_page(0)
text = page.get_text()
print(text)
# 按区块提取（保留位置信息）
blocks = page.get_text("blocks")
for block in blocks:
print(block[4]) # 文本内容（block格式: (x0, y0, x1, y1, text)）
2. 渲染页面为图像
# 渲染为 png
pix = page.get_pixmap(matrix=fitz.matrix(2, 2)) # 缩放2倍
pix.save("page0.png")
# 指定 dpi (300 dpi)
dpi = 300
mat = fitz.matrix(dpi / 72, dpi / 72) # 72是默认dpi
pix = page.get_pixmap(matrix=mat)
3. 编辑 pdf
# 添加文本到新页面
new_page = doc.new_page(width=400, height=200)
new_page.insert_text((100, 50), "hello pymupdf!", fontsize=24)
# 绘制红色矩形
rect = fitz.rect(50, 70, 150, 120)
new_page.draw_rect(rect, color=(1, 0, 0), width=2)
# 保存修改
doc.save("modified.pdf")
4. 合并 pdf
doc1 = fitz.open("doc1.pdf")
doc2 = fitz.open("doc2.pdf")
# 将 doc2 插入到 doc1 末尾
doc1.insert_pdf(doc2)
doc1.save("merged.pdf")
5. 提取图像
for img_index, img in enumerate(page.get_images(full=true)):
xref = img[0] # 图像引用 id
base_image = doc.extract_image(xref)
image_bytes = base_image["image"]
with open(f"image_{img_index}.png", "wb") as f:
f.write(image_bytes)
6. 搜索文本
# 搜索所有 "important" 出现的位置
areas = page.search_for("important")
for rect in areas:
page.add_highlight_annot(rect) # 添加高亮注释
三、相关说明
1. 性能优势
- 速度极快：比
pypdf2/pdfplumber快 5-10 倍 - 内存效率：流式处理大文件（>1gb）
- 精确布局：保留文本位置、字体、图像坐标
2. 适用场景
- 批量提取 pdf 文本/图像
- 自动化生成报告（添加水印/页眉页脚）
- 构建文档搜索引擎
- 转换 pdf 为图像/文本文件
- 处理扫描文档（ocr 前预处理）
3. 注意事项
- 安装依赖：无需额外依赖（windows/macos/linux 均有预编译包）
- 加密文档：使用
doc.authenticate(password)处理密码 - 坐标系：原点在左上角（与传统 pdf 坐标一致）
- 商业许可：agpl 协议（商业应用需购买许可证）
以上就是python通过pymupdf高效处理pdf文档的操作方法的详细内容，更多关于python pymupdf处理pdf文档的资料请关注代码网其它相关文章！
发表评论