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 12:53:50

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

CentOS下的分布式内存计算Spark环境部署

一、Spark 核心架构与应用场景 1.1 分布式计算引擎的核心优势 Spark 是基于内存的分布式计算框架，相比 MapReduce 具有以下核心优势： 内存计算：数据可常驻内存，迭代计算性能提升 10-100 倍（文档段落：3-79…...

编程新知 2025/10/24 18:08:42

tree 树组件大数据卡顿问题优化

问题背景 项目中有用到树组件用来做文件目录，但是由于这个树组件的节点越来越多，导致页面在滚动这个树组件的时候浏览器就很容易卡死。这种问题基本上都是因为dom节点太多，导致的浏览器卡顿，这里很明显就需要用到虚拟列表的技术&…...

编程新知 2025/10/23 22:39:48

yaml读取写入常见错误 (‘cannot represent an object‘, 117)

错误一：yaml.representer.RepresenterError: (‘cannot represent an object’, 117) 出现这个问题一直没找到原因，后面把yaml.safe_dump直接替换成yaml.dump，确实能保存，但出现乱码： 放弃yaml.dump，又切…...

编程新知 2025/10/27 6:29:26

路由基础-路由表

本篇将会向读者介绍路由的基本概念。 前言 在一个典型的数据通信网络中，往往存在多个不同的IP网段，数据在不同的IP网段之间交互是需要借助三层设备的，这些设备具备路由能力，能够实现数据的跨网段转发。 路由是数据通信网络中最基…...

编程新知 2025/10/25 11:36:40

GeoServer发布PostgreSQL图层后WFS查询无主键字段

在使用 GeoServer（版本 2.22.2） 发布 PostgreSQL（PostGIS）中的表为地图服务时，常常会遇到一个小问题： WFS 查询中，主键字段（如 id）莫名其妙地消失了！ 即使你在…...

编程新知 2025/10/15 9:46:58

【题解-洛谷】P10480 可达性统计

题目：P10480 可达性统计 题目描述 给定一张 N N N 个点 M M M 条边的有向无环图，分别统计从每个点出发能够到达的点的数量。 输入格式 第一行两个整数 N , M N,M N,M，接下来 M M M 行每行两个整数 x , y x,y x,y，表示从 …...

编程新知 2025/10/6 22:08:30

Centos 7 服务器部署多网站

一、准备工作 安装 Apache bash sudo yum install httpd -y sudo systemctl start httpd sudo systemctl enable httpd创建网站目录 假设部署 2 个网站，目录结构如下： bash sudo mkdir -p /var/www/site1/html sudo mkdir -p /var/www/site2/html添加测试…...

编程新知 2025/10/22 16:39:17

PostgreSQL 对 IPv6 的支持情况

PostgreSQL 对 IPv6 的支持情况 PostgreSQL 全面支持 IPv6 网络协议，包括连接、存储和操作 IPv6 地址。以下是详细说明： 一、网络连接支持 1. 监听 IPv6 连接 在 postgresql.conf 中配置： listen_addresses 0.0.0.0,:: # 监听所有IPv4…...

编程新知 2025/9/14 21:10:48

SE（Secure Element）加密芯片与MCU协同工作的典型流程

以下是SE（Secure Element）加密芯片与MCU协同工作的典型流程，综合安全认证、数据保护及防篡改机制： 一、基础认证流程（参数保护方案） 密钥预置‌ SE芯片与MCU分别预置相同的3DES密钥（Key1、Key2…...

编程新知 2025/10/15 5:08:16

【大厂机试题+算法可视化】最长的指定瑕疵度的元音子串

题目 开头和结尾都是元音字母（aeiouAEIOU）的字符串为元音字符串，其中混杂的非元音字母数量为其瑕疵度。比如: “a” 、 “aa”是元音字符串，其瑕疵度都为0 “aiur”不是元音字符串（结尾不是元音字符） “…...

编程新知 2025/10/14 14:03:44