1. 製品
  2.   パーサー
  3.   Python
  4.   PyMuPDF
 
  

オープンソースの Python PDF パーサー ライブラリ

この無料のオープンソース Python ライブラリを試して、PDF ドキュメントからテキスト、画像、表、その他のコンテンツを解析、読み取り、抽出してください。

PyMuPDF とは何ですか?

PyMuPDF (別名 Fitz) は、PDF ファイルの操作に使用できる包括的なツール セットを提供するオープン ソースの Python ライブラリです。PyMuPDF を使用すると、PDF を開く、テキスト、画像、表を抽出、回転や切り取りなどのページ プロパティを操作、新しい PDF ドキュメントを作成する、PDF ページを画像に変換するなどのタスクを効率的に実行できます。

PyMuPDF は、以下にリストされているいくつかの機能をサポートしています。

  • PDF ドキュメントの読み取り: PyMuPDF は PDF ドキュメントを開いて読み取ることができ、ドキュメント内のテキスト、画像、その他のコンテンツにアクセスできます。
  • テキスト抽出: テキスト コンテンツ、フォント、レイアウト情報など、PDF ドキュメントからテキストを抽出できます。
  • 画像抽出: PDF ドキュメントから JPEG や PNG などのさまざまな形式で画像を抽出できます。
  • 表の抽出: PDF ドキュメントから表を抽出することもできます。

このレビューでは、ライブラリの抽出機能と解析機能に主に焦点を当てます。分割、結合、ページ管理機能の詳細な評価については、こちらをクリックしてください。

GitHub

GitHub の統計

名前：
言語：
出演者：
フォーク:
ライセンス：
リポジトリの最終更新日時

PyMuPDF を使い始める

PyMuPDF をインストールして使用するには、Python バージョン 3.8.0 以上が必要です。まず Python をインストールし、次に以下のコマンドを使用して pip と 仮想環境 を使用して PyMuPDF をマシンにインストールします。

リナックス


python -m venv pymupdf-venv
. pymupdf-venv/bin/activate
pip install pymupdf

MacOS


python -m venv pymupdf-venv
. pymupdf-venv/bin/activate
pip install pymupdf

ウィンドウズ


python -m venv pymupdf-venv
.\pymupdf-venv\Scripts\activate
pip install pymupdf

PDFからテキストを抽出する

Python の PyMuPDF ライブラリを使用すると、以下のコードに示すように、ライブラリで提供される関数を使用するだけで、PDF ドキュメントからテキストを抽出し、単語数をカウントするなどのテキスト分析を実行できます。

出力

以下の画像は、PDF ファイルから抽出されたテキストと単語数を示しています。

PDFから画像を抽出する

PyMuPDF ライブラリを使用して、Python で PDF ドキュメントから画像を抽出できます。以下のコード スニペットは、指定された PDF ファイルを開き、PDF から画像を抽出して、現在の作業ディレクトリに保存します。

出力

以下はPDF文書から抽出したPNG画像です。

PDFから表を抽出する

PyMuPDF ライブラリを使用して PDF ドキュメントを処理し、そこから表を抽出することもできます。指定された PDF ファイルを開き、PDF ドキュメントから表を抽出する以下のコード スニペットを確認してください。

出力

以下のスクリーンショットは、PDF ドキュメントから抽出された表を示しています。

PDFにテキストを挿入する

以下の Python コード スニペットは、PyMuPDF ライブラリを使用して PDF ファイルにテキストを挿入し、変更した PDF を text.pdf として保存する方法を示しています。

出力

上記のコードを使用して挿入されたテキストは、以下の赤いボックスで強調表示されます。

PyMuPDF による OCR を使用した PDF テキスト認識

We will perform OCR on the PDF file containing the following image:

出力

以下の画像は、提供された PDF ファイル内の画像から抽出されたテキストを示しています。

結論

要約すると、PyMuPDF は明確な長所と短所を持つプロフェッショナル ツールです。OCR やテキスト抽出などのタスクに最適で、PDF 内のテキストを処理するのに役立ちます。

ただし、PDF の構造が複雑だったりページ数が多かったりする場合は特に、PDF から表を抽出するのがあまり得意ではないため、一部のユーザーにとっては欠点となる可能性があります。また、状況によっては Pandas や Tesseract OCR 言語データ ファイルなどの追加ライブラリが必要になる場合があり、使用が複雑になります。これらの制限にもかかわらず、PyMuPDF は PDF 内のテキストを操作するための強力な選択肢であり続けます。

類似製品

 日本語