导言

PDF 处理是日常工作中的常见需求，包括PDF 合并、删除、提取等。更复杂的任务如：将 PDF 转换成 图像。

下面通过几个简单的例子和一份代码，帮助大家解决上面的需求，操作非常简单

在文末我会提供一份源码和一个神奇的 PDF 处理网站，帮你解决PDF处理的烦恼

PyMuPDF 介绍

为什么使用 Python，那还不是 Python 有着强大的第三方工具包，我们想要的功能兴许就有。

PyMuPDF 就是我们需要的工具，官方文档对他的简介是

PyMuPDF是针对 MuPDF 的 Python 绑定，它是一个轻量级PDF和XPS查看器。 MuPDF 可以访问 PDF，XPS，OpenXPS，CBZ（漫画书档案），FB2 和 EPUB（电子书）格式的文件。 这些是扩展名为.pdf，.xps，.oxps，.cbz，.fb2 或.epub 的文件（因此您可以使用 Python开发电子书查看器 ）。

官方文档：https://pymupdf.readthedocs.io/en/latest/intro.html

这里有个细节需要说明的是，Python 的第三方包一般是安装的名称和导入的名称是一样的，比如 numpy的安装和使用是

  1. pip install numpy # numpy 包的安装
  3. import numpy  # numpy 包的导入

但是对于 PyMuPDF 这个包就不一样了，安装和使用的包名是不一样的，这个是历史遗留下来的原因，知道有这回事就行。

PyMuPDF 的安装是这样子的

  1. pip install PyMuPDF

image.png
PyPI 源：https://pypi.org/project/PyMuPDF/

PyMuPDF 的导入是这样子的

  1. import fitz

image.png

PDF 各种功能

拆分与提取

拆分与提取 PDF 文件的，使用的是 clean 命令，同时该命令也可以用于文档加密，压缩、删除页面等操作，基本说明如下：

  1. python -m fitz clean -h
  2. usage: fitz clean [-h] [-password PASSWORD]
  3.                 [-encryption {keep,none,rc4-40,rc4-128,aes-128,aes-256}]
  4.                 [-owner OWNER] [-user USER] [-garbage {0,1,2,3,4}]
  5.                 [-compress] [-ascii] [-linear] [-permission PERMISSION]
  6.                 [-sanitize] [-pretty] [-pages PAGES]
  7.                 input output
  9. -------------- optimize PDF or create sub-PDF if pages given --------------
  11. positional arguments:
  12. input                 PDF filename
  13. output                output PDF filename
  15. optional arguments:
  16. -h, --help            show this help message and exit
  17. -password PASSWORD    password
  18. -encryption {keep,none,rc4-40,rc4-128,aes-128,aes-256}
  19.                       encryption method
  20. -owner OWNER          owner password
  21. -user USER            user password
  22. -garbage {0,1,2,3,4}  garbage collection level
  23. -compress             compress (deflate) output
  24. -ascii                ASCII encode binary data
  25. -linear               format for fast web display
  26. -permission PERMISSION
  27.                       integer with permission levels
  28. -sanitize             sanitize / clean contents
  29. -pretty               prettify PDF structure
  30. -pages PAGES          output selected pages, format: 1,5-7,50-N

以下命令只需在终端运行即可：

参数：2-N 代表去除第一页

  1. python -m fitz clean -sanitize -pages 2-N F:\视觉工程师必须知道的工业相机50问.pdf F:\去除第一页.pdf

其他功能清自行尝试

提取字体和图像（非PDF页面）

将字体或图像从选定的 PDF 页面提取到所需目录，基本说明如下：

  1. python -m fitz extract -h
  2. usage: fitz extract [-h] [-images] [-fonts] [-output OUTPUT] [-password PASSWORD]
  3.                     [-pages PAGES]
  4.                     input
  6. --------------------- extract images and fonts to disk --------------------
  8. positional arguments:
  9. input                 PDF filename
  11. optional arguments:
  12. -h, --help            show this help message and exit
  13. -images               extract images
  14. -fonts                extract fonts
  15. -output OUTPUT        output directory, defaults to current
  16. -password PASSWORD    password
  17. -pages PAGES          only consider these pages, format: 1,5-7,50-N

将 视觉工程师必须知道的工业相机50问.pdf 文件中的图片和字体提取到 提取结果 文件夹中

  1. python -m fitz extract -images -fonts -output F:\提取结果 F:\视觉工程师必须知道的工业相机50问.pdf
  2. saved 9 fonts to 'F:\提取结果'
  3. saved 6 images to 'F:\提取结果'

image.png

合并多份文档

合并多份 PDF 文档，使用的是 join 命令，可以指定页面进行合并，同时需要关注 PDF 是否需要密码才能打开，基本说明如下

  1. python -m fitz join -h
  2. usage: fitz join [-h] -output OUTPUT [input [input ...]]
  4. ---------------------------- join PDF documents ---------------------------
  6. positional arguments:
  7. input           input filenames
  9. optional arguments:
  10. -h, --help      show this help message and exit
  11. -output OUTPUT  output filename
  13. specify each input as 'filename[,password[,pages]]'

以下命令只需在终端运行即可：
合并两份文档的全部

  1. python -m fitz join -output "F:\合并两份文档.pdf" "F:\视觉工程师必须知道的工业相机50问.pdf" "F:\Modern CMake文档.pdf"

合并两份文档的部分，选择 视觉工程师必须知道的工业相机50问 文件的第一页和 Modern CMake文档.pdf 的 5 到最后一页进行合并，下面语句中有两个 ,, 是因为要合并的文档不需要密码，如果需要密码，就把两个逗号替换成 密码即可。

  • 5-N 代表第五页开始到文档的末尾
    1. python -m fitz join -output F:\合并两份文档.pdf F:\视觉工程师必须知道的工业相机50问.pdf,,1 "F:\Modern CMake文档.pdf",,5-N

PDF转换成图片

这个功能没办法像上面那样一个命令就能解决，不过通过查看文档，我们也不难写出代码

  1. import sys, fitz, os, datetime
  3. def pyMuPDF_fitz(pdfPath, imagePath):
  4.     startTime_pdf2img = datetime.datetime.now()#开始时间
  6.     print("imagePath="+imagePath)
  7.     pdfDoc = fitz.open(pdfPath) # 打开文件
  8.     for pg in range(pdfDoc.pageCount): # 遍历所有页面
  9.         page = pdfDoc[pg]
  10.         rotate = int(0) # 页面旋转角度
  11.         # 每个尺寸的缩放系数为1.3，这将为我们生成分辨率提高2.6的图像。
  12.         # 此处若是不做设置，默认图片大小为：792X612, dpi=96
  13.         zoom_x = 1.33333333 #(1.33333333-->1056x816)   (2-->1584x1224)
  14.         zoom_y = 1.33333333
  15.         mat = fitz.Matrix(zoom_x, zoom_y).preRotate(rotate)
  16.         pix = page.getPixmap(matrix=mat, alpha=False)
  18.         if not os.path.exists(imagePath):#判断存放图片的文件夹是否存在
  19.             os.makedirs(imagePath) # 若图片文件夹不存在就创建
  21.         pix.writePNG(imagePath+'/'+'images_%s.png' % pg)#将图片写入指定的文件夹内
  23.     endTime_pdf2img = datetime.datetime.now()#结束时间
  24.     print('pdf2img时间=',(endTime_pdf2img - startTime_pdf2img).seconds)
  26. if __name__ == "__main__":
  27.     pdfPath = './视觉工程师必须知道的工业相机50问.pdf'
  28.     imagePath = './提取结果'
  29.     pyMuPDF_fitz(pdfPath, imagePath)

image.png

一个神奇的 PDF 处理网站
语雀内容

以上就是 PDF 处理的几个常用功能，希望能够帮到你，喜欢的朋友感谢三连～～～

参考：
https://pymupdf.readthedocs.io/en/latest/index.html
https://www.jianshu.com/p/f57cc64b9f5e

PDF的各种操作，我用Python来实现（附网站和操作指导）.md