Python利用PyMuPDF实现PDF文件处理

下面我将为您详细讲解Python利用PyMuPDF实现PDF文件处理的完整攻略。

概述

PyMuPDF是一个Python模块，能够实现对PDF文件读取、解析、编辑、创建等操作。在各种PDF文件处理场景中都有广泛的应用，比如：文本提取、PDF合并、PDF解密、PDF加密等。

安装PyMuPDF

在终端输入以下命令即可完成PyMuPDF的安装：

pip install pymupdf

基础操作

打开PDF文件

import fitz  # PyMuPDF

pdf_document = "example.pdf"
doc = fitz.open(pdf_document)

用fitz.open()函数可以打开PDF文件。

读取PDF页面

page = doc[0]

使用doc[]方法即可获取页面对象，方括号中的数字表示页面序号（从0开始）。

获取页面大小

# 获取页面大小，返回一个元组（宽，高）
page_size = page.MediaBoxSize
print("页面大小:", page_size)

获取页面文本内容

text = page.get_text("text")
print("文本内容:", text)

将页面保存为图片

# 渲染并保存页面，多页PDF会渲染保存为多张图片
slt = page.getPixmap()
slt.writePNG("example.png")

合并PDF文件

import fitz  # PyMuPDF

pdf_1 = "example1.pdf"
pdf_2 = "example2.pdf"
out_pdf = "merged.pdf"

pdf_list = [pdf_1, pdf_2]
merge_list = []
for pdf in pdf_list:
    merge_list.append(fitz.open(pdf))

pdf_writer = fitz.open()
for i in range(len(merge_list)):
    pdf_writer.insertPDF(merge_list[i])

pdf_writer.save(out_pdf)
pdf_writer.close()

利用fitz模块的insertPDF()函数将多个PDF合并为一个。

示例说明

示例一：提取PDF中页面的文本

import fitz  # PyMuPDF

pdf_document = "example.pdf"
doc = fitz.open(pdf_document)

output = ""
for page_no in range(doc.page_count):
    page = doc.loadPage(page_no)
    text = page.getText()
    output += f"Page {page_no + 1}  \n{text}  \n"

print(output)

以上代码会遍历PDF文件中所有页面，并将文本内容保存至一个字符串变量中，最后打印该字符串。

示例二：PDF文件加密

import fitz  # PyMuPDF

pdf_document = "example.pdf"
doc = fitz.open(pdf_document)

pwd = "123456"  # 设置密码

for page_no in range(doc.page_count):
    page = doc.loadPage(page_no)
    page.encrypt(pwd)

out_pdf = "encrypt.pdf"  # 保存加密后的文件
doc.save(out_pdf)
doc.close()

以上代码将原始的PDF文件加密，设置的密码为"123456"，并保存加密后的文件。