当前位置： 首页 > news >正文

PyMuPDF 操作手册 - 01 从PDF中提取文本

news 2025/10/27 15:34:57

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

多云管理“拦路虎”：深入解析网络互联、身份同步与成本可视化的技术复杂度​

一、引言：多云环境的技术复杂性本质​​ 企业采用多云策略已从技术选型升维至生存刚需。当业务系统分散部署在多个云平台时，​​基础设施的技术债呈现指数级积累​​。网络连接、身份认证、成本管理这三大核心挑战相互嵌套：跨云网络构建数据…...

编程新知 2025/10/27 3:03:22

生成xcframework

打包 XCFramework 的方法 XCFramework 是苹果推出的一种多平台二进制分发格式，可以包含多个架构和平台的代码。打包 XCFramework 通常用于分发库或框架。 使用 Xcode 命令行工具打包 通过 xcodebuild 命令可以打包 XCFramework。确保项目已经配置好需要支持的平台…...

编程新知 2025/10/5 2:30:38

Ubuntu系统下交叉编译openssl

一、参考资料 OpenSSL&&libcurl库的交叉编译 - hesetone - 博客园 二、准备工作 1. 编译环境 宿主机：Ubuntu 20.04.6 LTSHost：ARM32位交叉编译器：arm-linux-gnueabihf-gcc-11.1.0 2. 设置交叉编译工具链 在交叉编译之前&#x…...

编程新知 2025/8/5 22:19:11

LeetCode - 394. 字符串解码

题目 394. 字符串解码 - 力扣（LeetCode） 思路 使用两个栈：一个存储重复次数，一个存储字符串 遍历输入字符串： 数字处理：遇到数字时，累积计算重复次数左括号处理：保存当前状态&a…...

编程新知 2025/10/18 14:39:21

Mac软件卸载指南，简单易懂！

刚和Adobe分手，它却总在Library里给你写"回忆录"？卸载的Final Cut Pro像电子幽灵般阴魂不散？总是会有残留文件，别慌！这份Mac软件卸载指南，将用最硬核的方式教你"数字分手术"&#xff0…...

编程新知 2025/10/27 13:40:44

Linux-07 ubuntu 的 chrome 启动不了

文章目录 问题原因解决步骤一、卸载旧版chrome二、重新安装chorme三、启动不了，报错如下四、启动不了，解决如下 总结 问题原因 在应用中可以看到chrome，但是打不开(说明：原来的ubuntu系统出问题了，这个是备用的硬盘&a…...

编程新知 2025/10/23 9:50:57

【HTML-16】深入理解HTML中的块元素与行内元素

HTML元素根据其显示特性可以分为两大类：块元素(Block-level Elements)和行内元素(Inline Elements)。理解这两者的区别对于构建良好的网页布局至关重要。本文将全面解析这两种元素的特性、区别以及实际应用场景。 1. 块元素(Block-level Elements) 1.1 基本特性 …...

编程新知 2025/10/2 6:08:50

【Android】Android 开发 ADB 常用指令

查看当前连接的设备 adb devices 连接设备 adb connect 设备IP 断开已连接的设备 adb disconnect 设备IP 安装应用 adb install 安装包的路径 卸载应用 adb uninstall 应用包名 查看已安装的应用包名 adb shell pm list packages 查看已安装的第三方应用包名 adb shell pm list…...

编程新知 2025/8/17 23:35:19

R 语言科研绘图第 55 期 --- 网络图-聚类

在发表科研论文的过程中，科研绘图是必不可少的，一张好看的图形会是文章很大的加分项。 为了便于使用，本系列文章介绍的所有绘图都已收录到了 sciRplot 项目中，获取方式： R 语言科研绘图模板 --- sciRplothttps://mp.…...

编程新知 2025/9/28 3:39:04

Chromium 136 编译指南 Windows篇：depot_tools 配置与源码获取（二）

引言 工欲善其事，必先利其器。在完成了 Visual Studio 2022 和 Windows SDK 的安装后，我们即将接触到 Chromium 开发生态中最核心的工具——depot_tools。这个由 Google 精心打造的工具集，就像是连接开发者与 Chromium 庞大代码库的智能桥梁…...

编程新知 2025/10/26 15:36:57