文章目录

  • 安装与简介
  • MuPDF
  • PyMuPDF
  • PyMuPDF使用
  • 元数据
  • 页面Page
  • 代码示例
  • PDF转图片
  • 图片转PDF
  • PDF转PPT



PyMuPDF提供了PDF及流行图片处理接口。

安装与简介

安装：pip install PyMuPDF

PyMuPDF使用手册参见https://pymupdf.readthedocs.io/en/latest/index.html

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:

  • 支持多种文档格式：如PDF、XPS、OpenXPS、CBZ、EPUB和FictionBook 2；
  • 命令行工具可注释、编辑文档，并将文档转换为其他格式：如HTML、SVG、PDF和CBZ。

PyMuPDF

PyMuPDF是MuPDF的Python接口库：

  • 可访问扩展名为“.pdf”、“.xps”、“.oxps”、“.cbz”、“.fb2”或“.epub”的文档；
  • 可像文档样处理流行图像格式：“.png”，“.jpg”，“.bmp”，“.tiff”等

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，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

PyMuPDF使用

通过open可打开文档（Document对象）：

import fitz

doc = fitz.open(filename)

# ...
doc.save('file')
doc.close()

Document中发主要方法与属性：

方法/属性

描述

Document.page_count

页数 (int)

Document.metadata

元数据 (dict)

Document.get_toc()

获取目录 (list)

Document.load_page()

读取页面

对于PDF文档，有以下页面操作方法：

  • 删除页面：Document.delete_page()和Document.delete_pages()
  • 复制或移动页面：Document.copy_page()、Document.fullcopy_page()和Document.move_page()
  • 选择页面（只保留选择范围内的页面）：Document.select()
  • 插入新页：Document.insert_page()和Document.new_page()，以及Document.insert_pdf()

元数据

Document.metadata是一个具有以下键的Python字典。

Key

Value

producer

producer (producing software)

format

format: ‘PDF-1.4’, ‘EPUB’, etc.

encryption

encryption method used if any

author

作者

modDate

最后修改日期

keywords

关键字

title

标题

creationDate

创建日期

creator

creating application

subject

subject

页面Page

页面是MuPDF的核心：
• 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。
• 可以提取多种格式的页面文本和图像，并搜索文本字符串。
• 对于PDF文档，可以使用更多的方法向页面添加文本或图像。

从Document中获取页面，页面索引：

  • 第一页为0；
  • 负数表示从末尾倒数：如doc[-1]表示获取最后一页；
# pno是页面索引
page = doc.load_page(pno) 
# or
page = doc[pno]

页面操作方法：

  • page.get_links()：获取页面中的连接（返回字典）；
  • page.annots()：获取注释；
  • page.widgets()：获取表单；
  • pix = page.get_pixmap()：获取光栅图像（整个页面作为一个图像）；
  • pix.save('page.jpg')：保存为图像；
  • page.get_svg_image()：获取矢量图像；
  • page.get_text(opt)：获取文本，opt可为：
  • “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；
  • “dict”/“json”：与HTML相同的信息级别，但作为Python字典或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。
  • page.search_for("txt")：搜索文本

代码示例

PDF转图片

通过get_pixmap获取每页PDF为图片，然后保存即可。其中zoom用于控制生成图片的缩放比例。

import fitz

def pdf2image(pdfFile, storePath, zoom=2.0):
    doc = fitz.open(pdfFile)
    picName = os.path.splitext(os.path.basename(pdfFile))[0]
    index = 0
    os.makedirs(storePath, exist_ok=True)

    images = []
    print(f"To convert: {pdfFile}")
    for pg in range(doc.page_count):
        page = doc[pg]
        index += 1
        rotate = int(0)
        print(f"\tconvert page {index}")

        # 每个尺寸的缩放系数(提高生成分辨率)
        zoom_x, zoom_y = zoom, zoom
        mat = fitz.Matrix(zoom_x, zoom_y)
        pm = page.get_pixmap(matrix=mat, alpha=False)

        imgName = '{}-{}.jpg'.format(picName, index)
        imgFile = os.path.join(storePath, imgName)
        pm.save(imgFile)

        images.append(imgFile)

    doc.close()
    return images

图片转PDF

把图片插入到新建页中（插入位置使用页面框，即填充整个页面）

def image2pdf(imgDir, pdfFile, width=595, height=842):
    doc = fitz.open()
    print("To convert image to PDF:")
    for img in sorted(glob.glob("{}/*".format(imgDir))):
        print(f"\tAdd image {img}")
        page = doc.new_page(width=width, height=height)
        page.insert_image(page.rect, filename=img)  # 将当前页插入文档

    doc.save(pdfFile)
    print(f"PDF save to {pdfFile}")
    doc.close()

PDF转PPT

转PPT时需要用到pptx库：pip install python-pptx 使用文档：https://python-pptx.readthedocs.io/en/latest/index.html

先把PDF转为图片，然后把每张图片生成一个幻灯片页面（PPT页面大小有width与height控制）

import fitz
import pptx
from pptx.util import Inches

def pdf2pptx(pdfFile, pptFile, imgPath, width=10, height=7.5, zoom=2.0):
    images = pdf2image(pdfFile, imgPath, zoom)

    ppt = pptx.Presentation()
    for i in images:
        layout = ppt.slide_layouts[0]  # 定义一个PPT页面样式
        slide = ppt.slides.add_slide(layout)

        slide.shapes.add_picture(
            image_file=i,
            left=Inches(0),
            top=Inches(0),
            width=Inches(width),
            height=Inches(height)
        )

    ppt.save(pptFile)
    shutil.rmtree(imgPath)