51Testing软件测试论坛

 找回密码
 (注-册)加入51Testing

QQ登录

只需一步,快速开始

微信登录,快人一步

手机号码,快捷登录

查看: 828|回复: 0
打印 上一主题 下一主题

[原创] Python 人工智能之PyMuPDF

[复制链接]
  • TA的每日心情
    无聊
    2024-11-5 10:03
  • 签到天数: 77 天

    连续签到: 1 天

    [LV.6]测试旅长

    跳转到指定楼层
    1#
    发表于 2022-9-20 13:50:09 | 只看该作者 回帖奖励 |倒序浏览 |阅读模式
    本帖最后由 梦幻小丑灯 于 2022-9-20 13:51 编辑

    大家好,我是Python人工智能技术
      一、PyMuPDF简介
      1. 介绍
      在介绍PyMuPDF之前,先来了解一下MuPDF,从命名形式中就可以看出,PyMuPDF是MuPDF的Python接口形式。
      MuPDF
      MuPDF 是一个轻量级的 PDF、XPS和电子书查看器。MuPDF 由软件库、命令行工具和各种平台的查看器组成。
      MuPDF 中的渲染器专为高质量抗锯齿图形量身定制。它以精确到像素的几分之一内的度量和间距呈现文本,以在屏幕上再现打印页面的外观时获得最高保真度。
      这个观察器很小,速度很快,但是很完整。它支持多种文档格式,如PDF、XPS、OpenXPS、CBZ、EPUB和FictionBook 2。您可以使用移动查看器对PDF文档进行注释和填写表单(这个功能很快也将应用于桌面查看器)。
      命令行工具允许您注释、编辑文档,并将文档转换为其他格式,如HTML、SVG、PDF和CBZ。您还可以使用Javascript编写脚本来操作文档。
      PyMuPDF
      PyMuPDF(当前版本1.18.17)是支持MuPDF(当前版本1.18.*)的Python绑定。
      使用PyMuPDF,你可以访问扩展名为“.pdf”、“.xps”、“.oxps”、“.cbz”、“.fb2”或“.epub”。此外,大约10种流行的图像格式也可以像文档一样处理:“.png”,“.jpg”,“.bmp”,“.tiff”等。
      二. 功能
      对于所有支持的文档类型可以:
      ·解密文件
      · 访问元信息、链接和书签
      · 以栅格格式(PNG和其他格式)或矢量格式SVG呈现页面
      · 搜索文本
      · 提取文本和图像
      · 转换为其他格式:PDF, (X)HTML, XML, JSON, text
      · 对于PDF文档,存在大量的附加功能:它们可以创建、合并或拆分。页面可以通过多种方式插入、删除、重新排列或修改(包括注释和表单字段)。
      · 可以提取或插入图像和字体
      · 完全支持嵌入式文件
      · pdf文件可以重新格式化,以支持双面打印,色调分离,应用标志或水印
      · 完全支持密码保护:解密、加密、加密方法选择、权限级别和用户/所有者密码设置
      · 支持图像、文本和绘图的 PDF 可选内容概念
      · 可以访问和修改低级 PDF 结构
      · 命令行模块"python \-m fitz…"具有以下特性的多功能实用程序
      ·  加密/解密/优化
      ·  创建子文档
      · 文档连接
      ·  图像/字体提取
      ·  完全支持嵌入式文件
      ·  保存布局的文本提取(所有文档)
      新:布局保存文本提取!
      脚本fitzcliy .py通过子命令“gettext”提供不同格式的文本提取。特别有趣的当然是布局保存,它生成的文本尽可能接近原始物理布局,周围有图像的区域,或者在表格和多列文本中复制文本。
      三、安装
      PyMuPDF可以从源码安装,也可以从wheels安装。
      对于Windows, Linux和Mac OSX平台,在PyPI的下载部分有wheels。这包括Python 64位版本3.6到3.9。Windows版本也有32位版本。从最近开始,Linux ARM架构也出现了一些问题——查找平台标签manylinux2014_aarch64。
      除了标准库,它没有强制性的外部依赖项。只有在安装了某些包时,才会有一些不错的方法:
       · Pillow:当使用Pixmap.pil_save()和 Pixmap.pil_tobytes()时需要
       · fontTools:当使用Document.subset_fonts()时需要
       · pymupdf-fonts 是一个不错的字体选择,可以用于文本输出方法
      使用pip安装命令:
      pip install PyMuPDF
      导入库:
    import fitz

    关于命名fitz的说明
      这个库的标准Python导入语句是import fitz。这是有历史原因的:
      MuPDF的原始渲染库被称为Libart。
      在Artifex软件获得MuPDF项目后,开发的重点转移到编写一种新的现代图形图书馆称为“Fitz”。Fitz最初是作为一个研发项目,以取代老化的Ghostscript图形库,但却成为了MuPDF的渲染引擎(引用自维基百科)。
      四、使用方法
      1. 导入库,查看版本
    import fitz
      print(fitz.__doc__)
      PyMuPDF 1.18.16: Python bindings for the MuPDF 1.18.0 library.
      Version date: 2021-08-05 00:00:01.
      Built for Python 3.8 on linux (64-bit).

    2. 打开文档
    doc = fitz.open(filename)

    这将创建Document对象doc。文件名必须是一个已经存在的文件的python字符串。
      也可以从内存数据打开文档,或创建新的空PDF。您还可以将文档用作上下文管理器。
      3. Document的方法和属性
      示例:
    1. >>> doc.count_page
    2.   1
    3.   >>> doc.metadata
    4.   {'format': 'PDF 1.7',
    5.   'title': '',
    6.   'author': '',
    7.   'subject': '',
    8.   'keywords': '',
    9.   'creator': '',
    10.   'producer': '福昕阅读器PDF打印机 版本 10.0.130.3456',
    11.   'creationDate': "D:20210810173328+08'00'",
    12.   'modDate': "D:20210810173328+08'00'",
    13.   'trapped': '',
    14.   'encryption': None}
    复制代码
    4. 获取元数据
      PyMuPDF完全支持标准元数据。Document.metadata是一个具有以下键的Python字典。
      它适用于所有文档类型,但并非所有条目都始终包含数据。元数据字段为字符串,如果未另行指示,则为无。还要注意的是,并非所有数据都始终包含有意义的数据——即使它们不是一个都没有。另外,搜索公众号Java架构师技术后台回复“面试题”,获取一份惊喜礼包。
      5. 获取目标大纲
      toc = doc.get_toc()

    6. 页面(Page)
      页面处理是MuPDF功能的核心。
      ·您可以将页面呈现为光栅或矢量(SVG)图像,可以选择缩放、旋转、移动或剪切页面。
      · 您可以提取多种格式的页面文本和图像,并搜索文本字符串。
      · 对于PDF文档,可以使用更多的方法向页面添加文本或图像。
      首先,必须创建一个页面Page。这是Document的一种方法:
    1.  page = doc.load_page(pno) # loads page number 'pno' of the document (0-based)
    2.   page = doc[pno] # the short form
    复制代码
    这里可以使用任何整数-inf<pno<page_count。负数从末尾开始倒数,所以doc[-1]是最后一页,就像Python序列一样。
      更高级的方法是将文档用作页面的迭代器:
    1. for page in doc:
    2.      # do something with 'page'
    3.   # ... or read backwards
    4.   for page in reversed(doc):
    5.      # do something with 'page'
    6.   # ... or even use 'slicing'
    7.   for page in doc.pages(start, stop, step):
    8.      # do something with 'page'
    复制代码
    接下来,主要介绍Page的常用操作!
      a. 检查页面的链接、批注或表单字段
      使用某些查看器软件显示文档时,链接显示为==“热点区域”==。如果您在光标显示手形符号时单击,您通常会被带到该热点区域中编码的标记。以下是如何获取所有链接:
    1.  # get all links on a page
    2.   links = page.get_links()
    复制代码
     links是一个Python字典列表。
      还可以作为迭代器使用:
    1. for link in page.links():
    2.      # do something with 'link'
    复制代码
    如果处理PDF文档页面,还可能存在注释(Annot)或表单字段(Widget),每个字段都有自己的迭代器:
    1.  for annot in page.annots():
    2.      # do something with 'annot'
    3.   for field in page.widgets():
    4.      # do something with 'field'
    复制代码
     b. 呈现页面
      此示例创建页面内容的光栅图像:
    1. pix = page.get_pixmap()
    复制代码
    pix是一个Pixmap对象,它(在本例中)包含页面的RGB图像,可用于多种用途。
      方法Page.get_pixmap()提供了许多用于控制图像的变体:分辨率、颜色空间(例如,生成灰度图像或具有减色方案的图像)、透明度、旋转、镜像、移位、剪切等。
      例如:创建RGBA图像(即,包含alpha通道),指定pix=page.get_pixmap(alpha=True)。\
      Pixmap包含以下引用的许多方法和属性。其中包括整数宽度、高度(每个像素)和跨距(一个水平图像行的字节数)。属性示例表示表示图像数据的矩形字节区域(Python字节对象)。
      还可以使用page.get_svg_image()创建页面的矢量图像。
      c. 将页面图像保存到文件中
      我们可以简单地将图像存储在PNG文件中:
    1.  pix.save("page-%i.png" % page.number)
    复制代码
    d. 提取文本和图像
      我们还可以以多种不同的形式和细节级别提取页面的所有文本、图像和其他信息:
    1.  text = page.get_text(opt)
    复制代码
    对opt使用以下字符串之一以获取不同的格式:
       "text":(默认)带换行符的纯文本。无格式、无文字位置详细信息、无图像
       "blocks":生成文本块(段落)的列表
       "words":生成单词列表(不包含空格的字符串)
       "html":创建页面的完整视觉版本,包括任何图像。这可以通过internet浏览器显示
       "dict"/"json":与HTML相同的信息级别,但作为Python字典或resp.JSON字符串。
       "rawdict"/"rawjson":"dict"/"json"的超级集合。它还提供诸如XML之类的字符详细信息。
       "xhtml":文本信息级别与文本版本相同,但包含图像。
       "xml":不包含图像,但包含每个文本字符的完整位置和字体信息。使用XML模块进行解释。
      e. 搜索文本
      您可以找到某个文本字符串在页面上的确切位置:
    1. areas = page.search_for("mupdf")
    复制代码
     这将提供一个矩形列表,每个矩形都包含一个字符串“mupdf”(不区分大小写)。您可以使用此信息来突出显示这些区域(仅限PDF)或创建文档的交叉引用。
      7. PDF操作
      PDF是唯一可以使用PyMuPDF修改的文档类型。其他文件类型是只读的。
    但是,您可以将任何文档(包括图像)转换为PDF,然后将所有PyMuPDF功能应用于转换结果,Document.convert_to_pdf()。
      Document.save()始终将PDF以其当前(可能已修改)状态存储在磁盘上。


    通常,您可以选择是保存到新文件,还是仅将修改附加到现有文件(“增量保存”),这通常要快得多。
      下面介绍如何操作PDF文档。
      a. 修改、创建、重新排列和删除页面
      有几种方法可以操作所谓页面树(描述所有页面的结构):

    1.  # append complete doc2 to the end of doc1
    2.   doc1.insert_pdf(doc2)
    复制代码

    下面是一个拆分doc1的片段。它将创建第一页和最后10页的新文档:
    1.  doc2 = fitz.open() # new empty PDF
    2.   doc2.insert_pdf(doc1, to_page = 9) # first 10 pages
    3.   doc2.insert_pdf(doc1, from_page = len(doc1) - 10) # last 10 pages
    4.   doc2.save("first-and-last-10.pdf")
    复制代码
    c. 保存
      Document.save()将始终以当前状态保存文档。
      您可以通过指定选项incremental=True将更改写回原始PDF。这个过程(通常)非常快,因为更改会附加到原始文件,而不会完全重写它。
      d. 关闭
      在程序继续运行时,通常需要“关闭”文档以将底层文件的控制权交给操作系统
      这可以通过Document.close()方法实现。除了关闭基础文件外,还将释放与文档关联的缓冲区。















    分享到:  QQ好友和群QQ好友和群 QQ空间QQ空间 腾讯微博腾讯微博 腾讯朋友腾讯朋友
    收藏收藏
    回复

    使用道具 举报

    本版积分规则

    关闭

    站长推荐上一条 /1 下一条

    小黑屋|手机版|Archiver|51Testing软件测试网 ( 沪ICP备05003035号 关于我们

    GMT+8, 2024-11-15 15:24 , Processed in 0.063875 second(s), 23 queries .

    Powered by Discuz! X3.2

    © 2001-2024 Comsenz Inc.

    快速回复 返回顶部 返回列表