PyMuPDF实战教程：10个案例掌握PDF批量处理与自动化技巧

PyMuPDF实战教程10个案例掌握PDF批量处理与自动化技巧【免费下载链接】PyMuPDFPyMuPDF is a high performance Python library for data extraction, analysis, conversion manipulation of PDF (and other) documents.项目地址: https://gitcode.com/gh_mirrors/py/PyMuPDFPyMuPDF是一个高性能的Python库专为PDF及其他文档的批量处理、数据提取、格式转换和自动化操作而设计。无论是新手还是有经验的开发者都能通过本教程快速掌握10个实用案例轻松实现PDF文件的高效管理与处理。一、PDF文本提取快速获取文档内容从PDF中提取文本是最常见的需求之一。PyMuPDF提供了简单高效的方法可以轻松提取整个文档或指定区域的文本内容。以下是一个基础示例将PDF文档转换为纯文本文件import sys, pathlib, pymupdf fname sys.argv[1] # 获取文档文件名 with pymupdf.open(fname) as doc: # 打开文档 text chr(12).join([page.get_text() for page in doc]) # 提取所有页面文本 pathlib.Path(fname .txt).write_bytes(text.encode()) # 保存为文本文件对于需要保持阅读顺序的文本提取可以使用sort参数text page.get_text(sortTrue) # 按阅读顺序提取文本提取特定区域文本时可以使用矩形坐标rect pymupdf.Rect(100, 100, 400, 400) # 定义提取区域 text page.get_text(cliprect) # 提取指定区域文本PyMuPDF文本提取效果展示支持多种格式输出和区域选择二、表格提取智能识别与数据转换处理包含表格的PDF时PyMuPDF的Page.find_tables()方法能自动识别表格结构无需依赖外部库。以下是提取表格并转换为DataFrame的示例import pymupdf doc pymupdf.open(table.pdf) page doc[0] tables page.find_tables() # 自动识别表格 for table in tables: df table.to_pandas() # 转换为DataFrame print(df)PyMuPDF自动识别PDF表格并转换为结构化数据三、图像提取从PDF中分离图片资源PyMuPDF支持提取PDF中的图像并保留原始格式和质量。以下代码演示如何提取文档中的所有图像import pymupdf doc pymupdf.open(document.pdf) for page in doc: for img in page.get_images(fullTrue): xref img[0] base_image doc.extract_image(xref) image_bytes base_image[image] with open(fimage_{xref}.{base_image[ext]}, wb) as f: f.write(image_bytes)PyMuPDF提取PDF中的图像文件支持多种格式四、PDF合并与拆分高效管理文档合并多个PDF文件或拆分大型PDF是日常办公的常见需求。使用PyMuPDF可以轻松实现这些操作合并PDFimport pymupdf doc pymupdf.open() # 创建新PDF for filename in [file1.pdf, file2.pdf, file3.pdf]: src pymupdf.open(filename) doc.insert_pdf(src) # 插入源PDF doc.save(merged.pdf)拆分PDFimport pymupdf doc pymupdf.open(large.pdf) for i in range(doc.page_count): new_doc pymupdf.open() new_doc.insert_pdf(doc, from_pagei, to_pagei) new_doc.save(fpage_{i1}.pdf)使用PyMuPDF合并多个PDF文件的效果展示五、文本标注高亮与注释关键内容在PDF中添加高亮、下划线或注释可以有效标记重要信息。以下代码演示如何搜索文本并添加高亮标注import pymupdf doc pymupdf.open(document.pdf) page doc[0] # 搜索文本并获取坐标 quads page.search_for(重要内容, quadsTrue) for quad in quads: page.add_highlight_annot(quad) # 添加高亮标注 doc.save(annotated.pdf)使用PyMuPDF标注PDF中的关键文本内容六、页面转换生成高质量图片将PDF页面转换为图片是内容分享的常用方式。PyMuPDF支持生成高分辨率的PNG、JPEG等格式图片import pymupdf doc pymupdf.open(document.pdf) for page in doc: pix page.get_pixmap(dpi300) # 设置分辨率 pix.save(fpage_{page.number}.png) # 保存为PNG图片通过调整dpi参数可以控制图片质量支持从低分辨率缩略图到高清打印级别的输出。七、文本插入动态添加内容到PDF在PDF中插入文本可以用于添加水印、页眉页脚或补充说明。以下示例在页面底部添加页码import pymupdf doc pymupdf.open(document.pdf) for page in doc: footer fPage {page.number 1} of {doc.page_count} page.insert_text((50, page.rect.height - 50), footer) doc.save(document_with_footer.pdf)使用PyMuPDF在PDF中插入文本内容支持多种样式和旋转八、表单处理自动填写PDF表单PyMuPDF可以读取和修改PDF表单字段实现批量填写表单的自动化import pymupdf doc pymupdf.open(form.pdf) form doc.load_form() # 获取表单字段 form[name].value John Doe form[email].value johnexample.com form[phone].value 123456789 doc.save(filled_form.pdf)九、OCR文字识别提取图片中的文本结合OCR技术PyMuPDF可以从扫描版PDF中提取文本。需要安装pytesseract和Tesseract OCR引擎import pymupdf from PIL import Image import pytesseract doc pymupdf.open(scan.pdf) for page in doc: pix page.get_pixmap() img Image.frombytes(RGB, [pix.width, pix.height], pix.samples) text pytesseract.image_to_string(img) print(text)PyMuPDF结合OCR技术提取扫描版PDF中的文本十、批量处理多文档自动化操作利用PyMuPDF的高效性能可以轻松处理大量PDF文件。以下示例批量转换文件夹中的所有PDF为文本import os import pymupdf input_dir pdf_files output_dir text_files os.makedirs(output_dir, exist_okTrue) for filename in os.listdir(input_dir): if filename.endswith(.pdf): pdf_path os.path.join(input_dir, filename) doc pymupdf.open(pdf_path) text \n.join([page.get_text() for page in doc]) text_path os.path.join(output_dir, f{os.path.splitext(filename)[0]}.txt) with open(text_path, w, encodingutf-8) as f: f.write(text)总结通过以上10个实用案例我们展示了PyMuPDF在PDF批量处理与自动化方面的强大能力。无论是文本提取、表格识别、图像处理还是批量操作PyMuPDF都能提供高效、可靠的解决方案。其简洁的API设计和丰富的功能使得处理PDF文件变得简单而高效。要开始使用PyMuPDF只需通过pip安装pip install pymupdf更多详细文档和示例代码请参考项目中的docs/目录和tests/目录。通过这些资源您可以进一步探索PyMuPDF的高级功能实现更复杂的PDF处理需求。【免费下载链接】PyMuPDFPyMuPDF is a high performance Python library for data extraction, analysis, conversion manipulation of PDF (and other) documents.项目地址: https://gitcode.com/gh_mirrors/py/PyMuPDF创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考