PDF 的各种操作

PyMuPDF 介绍

为什么使用 Python，那还不是 Python 有着强大的第三方工具包，我们想要的功能兴许就有。

PyMuPDF 就是我们需要的工具，官方文档对他的简介是

PyMuPDF 是针对 MuPDF 的 Python 绑定，它是一个轻量级 PDF 和 XPS 查看器。MuPDF 可以访问 PDF，XPS，OpenXPS，CBZ（漫画书档案），FB2 和 EPUB（电子书）格式的文件。这些是扩展名为.pdf，.xps，.oxps，.cbz，.fb2 或.epub 的文件（因此您可以使用 Python 开发电子书查看器）。

官方文档：https://pymupdf.readthedocs.io/en/latest/intro.html

这里有个细节需要说明的是，Python 的第三方包一般是安装的名称和导入的名称是一样的，比如 numpy 的安装和使用是

pip install numpy # numpy 包的安装

2 import numpy  # numpy 包的导入

但是对于 PyMuPDF  这个包就不一样了，安装和使用的包名是不一样的，这个是历史遗留下来的原因，知道有这回事就行。

PyMuPDF  的安装是这样子的

pip install PyMuPDF

PyPI 源：https://pypi.org/project/PyMuPDF/

PyMuPDF  的导入是这样子的

import fitz

PDF 各种处理

拆分与提取

拆分与提取 PDF 文件的，使用的是 clean 命令，同时该命令也可以用于文档加密，压缩、删除页面等操作，基本说明如下：

 

 

 

以下命令只需在终端运行即可：

　　参数：2-N 代表去除第一页

python -m fitz clean -sanitize -pages 2-N F:\视觉工程师必须知道的工业相机50问.pdf F:\去除第一页.pdf

其他功能请自行尝试

提取字体和图像（非 PDF 页面）

将字体或图像从选定的 PDF 页面提取到所需目录，基本说明如下：

 

 将 视觉工程师必须知道的工业相机50问.pdf 文件中的图片和字体提取到 提取结果 文件夹中

python -m fitz extract -images -fonts -output F:\提取结果 F:\视觉工程师必须知道的工业相机50问.pdf
saved 9 fonts to 'F:\提取结果'
saved 6 images to 'F:\提取结果'

合并多份文档

合并多份 PDF 文档，使用的是 join 命令，可以指定页面进行合并，同时需要关注 PDF 是否需要密码才能打开，基本说明如下:

python -m fitz join -h
usage: fitz join [-h] -output OUTPUT [input [input ...]]

---------------------------- join PDF documents ---------------------------

positional arguments:
input           input filenames

optional arguments:
-h, --help      show this help message and exit
-output OUTPUT  output filename

specify each input as 'filename[,password[,pages]]'

以下命令只需在终端运行即可：合并两份文档的全部

python -m fitz join -output "F:\合并两份文档.pdf" "F:\视觉工程师必须知道的工业相机50问.pdf" "F:\Modern CMake文档.pdf"

合并两份文档的部分，选择 视觉工程师必须知道的工业相机50问 文件的第一页和  Modern CMake文档.pdf 的 5 到最后一页进行合并，下面语句中有两个 ,, 是因为要合并的文档不需要密码，如果需要密码，就把两个逗号替换成 密码即可。

• 5-N 代表第五页开始到文档的末尾

python -m fitz join -output F:\合并两份文档.pdf F:\视觉工程师必须知道的工业相机50问.pdf,,1 "F:\Modern CMake文档.pdf",,5-N

 

PDF 转换成图片

这个功能没办法像上面那样一个命令就能解决，不过通过查看文档，我们也不难写出代码

import sys, fitz, os, datetime

def pyMuPDF_fitz(pdfPath, imagePath):
    startTime_pdf2img = datetime.datetime.now()#开始时间

    print("imagePath="+imagePath)
    pdfDoc = fitz.open(pdfPath) # 打开文件
    for pg in range(pdfDoc.pageCount): # 遍历所有页面
        page = pdfDoc[pg]
        rotate = int(0) # 页面旋转角度
        # 每个尺寸的缩放系数为1.3，这将为我们生成分辨率提高2.6的图像。
        # 此处若是不做设置，默认图片大小为：792X612, dpi=96
        zoom_x = 1.33333333 #(1.33333333-->1056x816)   (2-->1584x1224)
        zoom_y = 1.33333333
        mat = fitz.Matrix(zoom_x, zoom_y).preRotate(rotate)
        pix = page.getPixmap(matrix=mat, alpha=False)

        if not os.path.exists(imagePath):#判断存放图片的文件夹是否存在
            os.makedirs(imagePath) # 若图片文件夹不存在就创建

        pix.writePNG(imagePath+'/'+'images_%s.png' % pg)#将图片写入指定的文件夹内

    endTime_pdf2img = datetime.datetime.now()#结束时间
    print('pdf2img时间=',(endTime_pdf2img - startTime_pdf2img).seconds)

if __name__ == "__main__":
    pdfPath = './视觉工程师必须知道的工业相机50问.pdf'
    imagePath = './提取结果'
    pyMuPDF_fitz(pdfPath, imagePath)

旋转 10 度的结果