Python使用PyMuPDF(fitz)處理PDF文檔的操作指南
使用 PyMuPDF (fitz) 處理 PDF 文檔
PyMuPDF 是一個(gè)功能強(qiáng)大且高效的 Python PDF 處理庫(kù),它基于 MuPDF 引擎,提供了豐富的 PDF 操作功能。以下是詳細(xì)使用方法:
安裝 PyMuPDF
pip install pymupdf
基礎(chǔ)功能示例
1. 打開(kāi)和讀取 PDF 文檔
import fitz # PyMuPDF 的導(dǎo)入名稱(chēng)
# 打開(kāi) PDF 文件
doc = fitz.open("example.pdf")
# 獲取文檔信息
print(f"頁(yè)數(shù): {doc.page_count}")
print(f"元數(shù)據(jù): {doc.metadata}")
# 讀取第一頁(yè)文本
page = doc.load_page(0) # 0 表示第一頁(yè)
text = page.get_text()
print(text)
# 關(guān)閉文檔
doc.close()
2. 提取頁(yè)面內(nèi)容
# 提取所有頁(yè)面文本
for page_num in range(doc.page_count):
page = doc.load_page(page_num)
print(f"第 {page_num+1} 頁(yè)內(nèi)容:")
print(page.get_text())
3. 渲染 PDF 為圖像
# 將第一頁(yè)渲染為圖像
page = doc.load_page(0)
pix = page.get_pixmap(matrix=fitz.Matrix(2, 2)) # 2倍縮放提高清晰度
pix.save("page0.png") # 保存為PNG
高級(jí)功能
1. 搜索文本
# 在整個(gè)文檔中搜索特定文本
for page_num in range(doc.page_count):
page = doc.load_page(page_num)
text_instances = page.search_for("搜索關(guān)鍵詞")
for inst in text_instances:
print(f"在第 {page_num+1} 頁(yè)找到匹配:")
print(f"位置: {inst}")
2. 提取帶格式的文本
# 提取帶格式的文本(保留布局)
text = page.get_text("blocks") # 返回文本塊列表
for block in text:
print(block[4]) # 文本內(nèi)容在元組的第5個(gè)位置
3. 處理 PDF 鏈接和書(shū)簽
# 獲取所有鏈接
links = page.get_links()
for link in links:
if link["kind"] == fitz.LINK_URI: # 網(wǎng)頁(yè)鏈接
print(f"找到URL鏈接: {link['uri']}")
# 獲取文檔書(shū)簽
toc = doc.get_toc() # 獲取目錄
for item in toc:
print(f"層級(jí) {item[0]}, 標(biāo)題: {item[1]}, 頁(yè)碼: {item[2]}")
4. 修改 PDF 文檔
# 創(chuàng)建新文檔
new_doc = fitz.open()
# 從原文檔復(fù)制頁(yè)面
new_doc.insert_pdf(doc, from_page=0, to_page=2) # 復(fù)制前3頁(yè)
# 添加新頁(yè)面
new_page = new_doc.new_page(width=595, height=842) # A4尺寸
new_page.insert_text((100, 100), "這是新添加的文本")
# 保存修改后的文檔
new_doc.save("modified.pdf")
new_doc.close()
性能優(yōu)化技巧
- 批量處理頁(yè)面:
# 高效處理多頁(yè)
with fitz.open("large.pdf") as doc:
for page in doc: # 直接迭代比load_page更快
text = page.get_text()
- 并行處理:
from concurrent.futures import ThreadPoolExecutor
def process_page(page_num):
with fitz.open("large.pdf") as doc:
page = doc.load_page(page_num)
return page.get_text()
with ThreadPoolExecutor() as executor:
results = list(executor.map(process_page, range(doc.page_count)))
- 選擇性加載:
# 只加載需要的頁(yè)面
doc = fitz.open("large.pdf")
page = doc[10] # 直接訪問(wèn)第11頁(yè)
常見(jiàn)問(wèn)題解決
- 中文顯示問(wèn)題:
# 確保系統(tǒng)有中文字體
text = page.get_text("text", flags=fitz.TEXT_PRESERVE_LIGATURES)
- 加密PDF處理:
doc = fitz.open("encrypted.pdf", password="123456")
- PDF/A兼容性檢查:
if doc.can_save_incrementally():
print("支持增量保存")
PyMuPDF 以其出色的性能(比其他庫(kù)快5-10倍)和豐富的功能成為處理PDF的首選。對(duì)于需要高性能PDF處理的場(chǎng)景,它是最佳選擇。
到此這篇關(guān)于Python使用PyMuPDF(fitz)處理PDF文檔的操作指南的文章就介紹到這了,更多相關(guān)Python PyMuPDF處理PDF內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
相關(guān)文章
python使用bs4爬取boss直聘靜態(tài)頁(yè)面
這篇文章主要介紹了python如何使用bs4爬取boss直聘靜態(tài)頁(yè)面,幫助大家更好的理解和學(xué)習(xí)爬蟲(chóng),感興趣的朋友可以了解下2020-10-10
Python使用Spire.XLS for Python輕松實(shí)現(xiàn)Excel轉(zhuǎn)PDF的完整指南
在日常辦公和數(shù)據(jù)處理中,我們經(jīng)常需要將 Excel 文檔轉(zhuǎn)換為 PDF 格式,今天我們將介紹如何使用 Spire.XLS for Python 庫(kù)來(lái)實(shí)現(xiàn) Excel 到 PDF 的高效轉(zhuǎn)換,有需要的可以了解下2025-10-10
Python實(shí)現(xiàn)隨機(jī)生成迷宮并自動(dòng)尋路
最近在學(xué)習(xí)Python,正好今天在學(xué)習(xí)隨機(jī)數(shù),本文實(shí)現(xiàn)了Python實(shí)現(xiàn)隨機(jī)生成迷宮并自動(dòng)尋路,感興趣的可以了解一下2021-06-06
Python幫你解決手機(jī)qq微信內(nèi)存占用太多問(wèn)題
你有沒(méi)有發(fā)現(xiàn)以前16G內(nèi)存也可以裝幾個(gè)游戲玩,現(xiàn)在128G的卻日常使用都不夠了?更不用說(shuō)裝什么游戲,這其實(shí)是軟件內(nèi)存占用過(guò)多導(dǎo)致的,今天我們用python來(lái)清理下2022-02-02
微信跳一跳python輔助軟件思路及圖像識(shí)別源碼解析
這篇文章主要介紹了微信跳一跳python輔助軟件思路及圖像識(shí)別源碼解析,需要的朋友可以參考下2018-01-01
Python的列表推導(dǎo)式實(shí)例詳細(xì)解析
這篇文章主要介紹了Python的列表推導(dǎo)式實(shí)例詳細(xì)解析,列表推導(dǎo)式是Python構(gòu)建列表list的一種快捷方式,可以使用簡(jiǎn)潔的代碼就創(chuàng)建出一個(gè)列表,需要的朋友可以參考下2023-07-07
關(guān)于pip安裝opencv-python遇到的問(wèn)題
這篇文章主要介紹了關(guān)于pip安裝opencv-python遇到的問(wèn)題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2023-02-02
Python一行命令實(shí)現(xiàn)自動(dòng)生成?requirements.txt
一個(gè)清晰、準(zhǔn)確的requirements.txt文件能夠記錄項(xiàng)目所依賴(lài)的所有第三方庫(kù)及其版本,下面我們就來(lái)看看如何使用Python一行命令實(shí)現(xiàn)自動(dòng)生成?requirements.txt吧2026-03-03

