当前位置： 首页 > news >正文

PyMuPDF 操作手册 - 01 从PDF中提取文本

news 2026/3/26 5:24:16

文章目录

  • 一、打开文件
  • 二、从 PDF 中提取文本
    • 2.1 文本基础操作
    • 2.2 文本进阶操作
      • 2.2.1 从任何文档中提取文本
      • 2.2.2 如何将文本提取为 Markdown
      • 2.2.3 如何从页面中提取键值对
      • 2.2.4 如何从矩形中提取文本
      • 2.2.5 如何以自然阅读顺序提取文本
      • 2.2.6 如何从文档中提取表格内容
        • 2.2.6.1 提取 1 页的 PDF，其中包含中文文本和两个表格
        • 2.2.6.2 读取多页 PDF，并联接已在这些页面中分段的表的各个部分
        • 2.2.6.3 确认支持 PyMuPDF 的表格功能用于常规文档（比较 XPS vs. PDF）
        • 2.2.6.4 使用PyMuPDF进行表分析1
        • 2.2.6.5 使用PyMuPDF进行表分析2
      • 2.2.7 如何标记提取的文本
      • 2.2.8 如何标记搜索到的文本
      • 2.2.9 如何标记非水平文本
      • 2.2.10 如何分析字体特征
      • 2.2.11 如何插入文本
        • 2.2.11.1 如何编写文本行
        • 2.2.11.2 如何填充文本框
        • 2.2.11.3 如何用 HTML 文本填充框
          • 2.2.11.3.1 如何输出 HTML 表格和图像
          • 2.2.11.3.2 如何输出世界语言
          • 2.2.11.3.3 如何指定自己的字体
          • 2.2.11.3.4 如何请求文本对齐
        • 2.2.11.4 如何提取带有颜色的文本
      • 2.2.12 获取页面链接

一、打开文件

https://pymupdf.readthedocs.io/en/latest/the-basics.html#extract-images-from-a-pdf

import pymupdfdoc = pymupdf.open("a.pdf") # open a document

在这里插入图片描述

二、从 PDF 中提取文本

https://pymupdf.readthedocs.io/en/latest/the-basics.html#

相关文章：

PyMuPDF 操作手册 - 01 从PDF中提取文本

文章目录 一、打开文件二、从 PDF 中提取文本2.1 文本基础操作2.2 文本进阶操作2.2.1 从任何文档中提取文本2.2.2 如何将文本提取为 Markdown2.2.3 如何从页面中提取键值对2.2.4 如何从矩形中提取文本2.2.5 如何以自然阅读顺序提取文本2.2.6 如何从文档中提取表格内容2.2.6.1 提…...

编程日记 2024/6/21 4:20:31

ResNet——Deep Residual Learning for Image Recognition(论文阅读)

论文名：Deep Residual Learning for Image Recognition 论文作者：Kaiming He et.al. 期刊/会议名：CVPR 2016 发表时间：2015-10 ​论文地址：https://arxiv.org/pdf/1512.03385 1.什么是ResNet ResNet是一种残差网络&a…...

编程日记 2024/6/21 4:19:29

java基础·小白入门（五）

目录 内部类与Lambda表达式内部类Lambda表达式 多线程 内部类与Lambda表达式 内部类 在一个类中定义另外一个类，这个类就叫做内部类或内置类 (inner class) 。在main中直接访问内部类时，必须在内部类名前冠以其所属外部类的名字才能使用；在…...

编程日记 2024/6/21 4:18:27

微观时空结构和虚数单位的关系

回顾虚数单位的定义， 其中我们把称为周期（的绝大部分），称为微分，0称为原点或者起点（意味着新周期的开始），由此我们用序数的概念反过来构建了基数的概念。 周期和单位显然具有倍数关…...

编程日记 2024/6/21 4:17:25

go-zero使用goctl生成mongodb的操作使用方法

目录 MongoDB简介 MongoDB的优势 对比mysql的操作 goctl的mongodb代码生成 如何使用 go-zero中mogodb使用 mongodb官方驱动使用 model模型的方式使用 其他资源 MongoDB简介 mongodb是一种高性能、开源、文档型的nosql数据库，被广泛应用于web应用、大数据以…...

编程日记 2024/6/21 4:16:22

服务器新硬盘分区、格式化和挂载

文章目录 参考文献查看了一下起点现状分区(base) ~ sudo parted /dev/sdcmklabel gpt（设置分区类型）增加分区 格式化需要先退出quit（可以）(base) / sudo mkfs.xfs /dev/sdc/sdc1（失败）sudo mkfs.xfs /dev/s…...

编程日记 2024/6/21 4:14:18

Openldap集成Kerberos

文章目录 一、背景二、Openldap集成Kerberos2.1kerberos服务器中绑定Ldap服务器2.1.1创建LDAP管理员用户2.1.2添加principal2.1.3生成keytab文件2.1.4赋予keytab文件权限2.1.5验证keytab文件2.1.6增加KRB5_KTNAME配置 2.2Ldap服务器中绑定kerberos服务器2.2.1生成LDAP数据库Roo…...

编程日记 2024/6/21 4:10:10

(创新)基于VMD-CNN-BiLSTM的电力负荷预测—代码+数据

目录 一、主要内容： 二、运行效果： 三、VMD-BiLSTM负荷预测理论： 四、代码数据下载： 一、主要内容： 本代码结合变分模态分解( Variational Mode Decomposition，VMD) 和卷积神经网络(Convolutional neu…...

编程日记 2024/6/21 4:09:09

机器 reboot 后 kubelet 目录凭空消失的灾难恢复

文章目录 [toc]事故背景报错内容 修复过程停止 kubelet 服务备份 kubelet.config重新生成 kubelet.config重新生成 kubelet 配置文件对比 kubeadm-flags.env 事故背景 因为一些情况，需要 reboot 服务器，结果 reboot 机器后，kubeadm init 节点…...

编程日记 2024/6/21 4:08:08

Pytorch构建vgg16模型

VGG-16 1. 导入工具包 import torch.optim as optim import torch import torch.nn as nn import torch.utils.data import torchvision.transforms as transforms import torchvision.datasets as datasets from torch.utils.data import DataLoader import torch.optim.lr_…...

编程日记 2024/6/21 4:05:05

分支结构相关

1.if 语句 结构： if 条件语句： 代码块 小练习： 使用random.randint()函数随机生成一个1~100之间的整数，判断是否是偶数 import random n random.randint(1,100) print(n) if n % 2 0:print(str(n) "是偶数") 2.else语…...

编程日记 2024/6/21 4:04:03

flutter开发实战-RichText富文本居中对齐

flutter开发实战-RichText富文本居中对齐 在开发过程中，经常会使用到RichText，当使用RichText时候，不同文本字体大小默认没有居中对齐。这里记录一下设置过程。 一、使用RichText 我这里使用RichText设置不同字体大小的文本 Container(de…...

编程日记 2024/6/21 4:03:02

智慧消防新篇章：可视化数据分析平台引领未来

一、什么是智慧消防可视化数据分析平台？ 智慧消防可视化数据分析平台，运用大数据、云计算、物联网等先进技术，将消防信息以直观、易懂的图形化方式展示出来。它不仅能够实时监控消防设备的运行状态，还能对火灾风险进行预测和评估…...

编程日记 2024/6/21 4:00:59

u8g2 使用IIC驱动uc1617 lcd有时候某些像素显示不正确

折腾了很久，本来lcd是挂载到已经存在的iic总线上的，总线原来是工作正常的，挂载之后lcd也能显示，但是有时候显示不正确，有时候全白的时候有黑色的杂点。 解决方案： 1.最开始以为是IIC总线速度快&#xff0…...

编程日记 2024/6/21 3:58:55

使用opencv合并两个图像

本节的目的 linear blending（线性混合）使用**addWeighted()**来添加两个图像 原理 (其实我也没太懂，留个坑，感觉本科的时候线代没学好。不对，我本科就没学线代。) 源码分析 源码链接 #include "opencv2/imgc…...

编程日记 2024/6/21 3:57:54

k8s学习笔记（一）

configMap 一般用来存储配置信息 创建configMap 从文件中获取信息创建：kubectl create configmap my-config --from-file/tmp/k8s/user.txt 直接指定信息： kubectl create configmap my-config01 --from-literalkey1config1 --from-literalkey2confi…...

编程日记 2024/6/21 3:54:50

自学前端——JavaScript篇

JavaScript 什么是JavsScript JavaScript是一种轻量级、解释型、面向对象的脚本语言。它主要被设计用于在网页上实现动态效果，增加用户与网页的交互性。 作为一种客户端语言，JavaScript可以直接嵌入HTML，并在浏览器中执行。 与HTML和CSS不…...

编程日记 2024/6/21 3:53:48

高考毕业季--浅谈自己感想

随着2024年高考落幕，数百万高三学生又将面临人生中的重要抉择：选择大学专业。在这个关键节点，计算机相关专业是否仍是“万金油”的选择？在过去很长一段时间里，计算机科学与技术、人工智能、网络安全、软件工程等专业一…...

编程日记 2024/6/21 3:50:43

遥感图像地物覆盖分类，数据集制作-分类模型对比-分类保姆级教程

遥感图像地物覆盖分类，数据集制作-分类模型对比-分类保姆级教程 在遥感影像上人工制作分类数据集采用python+gdal库制作数据集挑选分类模型(RF、KNN、SVM、逻辑回归)选择随机森林模型建模分类遥感图像预测在遥感影像上人工制作分类数据集 1.新建shp文件 地理坐标系保持和影像…...

编程日记 2024/6/21 3:49:41

【Android面试八股文】Kotlin内置标准函数let的原理是什么？

确实，let 函数在 Kotlin 中被广泛使用，特别是在处理可空类型或者需要在对象上执行一系列操作后返回结果的场景中非常有用。 let 函数的源代码 /*** Calls the specified function [block] with `this` value as its argument and returns its result.** For detailed usage i…...

编程日记 2024/6/21 3:47:39

Qwen3-ASR-1.7B功能体验：实时录音识别与批量文件处理，实用功能全解析

Qwen3-ASR-1.7B功能体验：实时录音识别与批量文件处理，实用功能全解析 1. 引言：当语音识别真正变得“好用”时，会发生什么？ 想象一下这个场景：你刚结束一场重要的客户会议，手机里录下了整整45分…...

编程新知 2026/3/26 5:11:50

Vivado GUI隐藏技巧：如何手动修改OOC模式IP的时钟频率（附200MHz实战案例）

Vivado GUI隐藏技巧：如何手动修改OOC模式IP的时钟频率（附200MHz实战案例） 在FPGA开发中，Vivado的IP核(IP Catalog)功能极大提升了设计效率，但OOC(Out-of-Context)模式下IP核的时钟频率设置却常常让初学者困惑。当你在G…...

编程新知 2026/3/26 3:33:19

AI 辅助选题与开发：通信工程毕业设计的高效实践路径

作为一名即将毕业的通信工程专业学生，我深知毕业设计是大学四年知识的一次综合检验。选题难、技术栈杂、实现周期长，几乎是每个同学都会遇到的“拦路虎”。最近，我尝试将 AI 辅助开发工具融入毕设流程，从选题到代码实现&#xff0…...

编程新知 2026/3/26 2:02:58

Conda环境下的WebRTC编译与部署：从源码下载到实战避坑指南

最近在做一个实时音视频项目，需要用到 WebRTC。作为一个习惯用 Conda 管理 Python 环境的开发者，我本能地想用 conda install 来搞定一切，结果发现这条路根本走不通。预编译的二进制包要么版本不对，要么依赖冲突，尤其是…...

编程新知 2026/3/26 1:42:56

解决 ‘ModuleNotFoundError: No module named ‘gradio‘‘ 的完整指南：从环境配置到依赖管理

最近在尝试运行一个基于 CosyVoice 的语音项目时，遇到了一个非常典型的 Python 错误：ModuleNotFoundError: No module named gradio。这个错误对于刚接触 Python 项目，尤其是涉及复杂依赖的新手来说，简直是“入门第一课”。它就像…...

编程新知 2026/3/26 1:38:53

学术PDF处理流水线：OpenClaw+Qwen3-32B-Chat镜像实现论文精读

学术PDF处理流水线：OpenClawQwen3-32B-Chat镜像实现论文精读 1. 为什么需要自动化论文精读工具 作为一名经常需要阅读大量学术文献的研究者，我长期被三个问题困扰：一是PDF文档的信息密度太高，逐字阅读耗时耗力；二是跨…...

编程新知 2026/3/26 1:28:51

Linux小白必看！VMware虚拟机添加虚拟硬盘后必须做的5件事（附常见报错解决方案）

VMware虚拟机添加虚拟硬盘后的专业运维指南 当你为Linux系统添加新的虚拟硬盘时，真正的挑战往往从挂载完成后才开始。作为系统管理员，我们需要确保这块硬盘不仅现在能用，还要在未来长期稳定运行。以下是五个关键步骤，让你的虚拟硬…...

编程新知 2026/3/26 0:28:31

选型指南：74HC14、74LVC14、CD40106...这么多施密特非门，你的项目到底该用哪一款？

施密特触发器选型实战：从74HC14到CD40106的工程决策指南 在数字电路设计中，施密特触发器就像一位经验丰富的守门员，能够有效过滤信号噪声并确保数字系统的稳定运行。但当你打开元器件采购平台，面对74HC14、74LVC14、CD40106等数十…...

编程新知 2026/3/25 23:38:07

小龙虾（openclaw） + 微信 + GIS，把专业GIS塞进聊天框！

微信不仅是社交工具，更成了空间信息服务“飞入寻常百姓家”的关键入口。当AI驱动的GIS自动化与国家级战略支撑在微信生态里汇合，我们终于有机会让每个人都能像发消息一样，调用专业空间能力，这背后是触达、效率与安全的巨大跃升。一…...

编程新知 2026/3/25 22:55:40

5步掌握PrusaSlicer：新手从零到高质量3D打印的完整指南

5步掌握PrusaSlicer：新手从零到高质量3D打印的完整指南 【免费下载链接】PrusaSlicer G-code generator for 3D printers (RepRap, Makerbot, Ultimaker etc.) 项目地址: https://gitcode.com/gh_mirrors/pr/PrusaSlicer 想要开始3D打印却不知从何下手&#…...

编程新知 2026/3/25 22:33:10