1. 产品
  2.   解析器
  3.   Python
  4.   PyMuPDF
 
  

开源 Python PDF 解析器库

尝试这个免费的开源 Python 库来解析、读取和提取 PDF 文档中的文本、图像、表格和其他内容。

什么是 PyMuPDF？

PyMuPDF，也称为 Fitz，是一个开源 Python 库，提供了一整套用于处理 PDF 文件的工具。使用 PyMuPDF，用户可以高效地执行打开 PDF、提取文本、图像和表格、操作旋转和裁剪等页面属性、创建新 PDF 文档以及将 PDF 页面转换为图像等任务。

PyMuPDF 支持以下列出的多项功能：

  • PDF文档阅读：PyMuPDF可以打开和阅读PDF文档，允许您访问其中的文本、图像和其他内容。
  • 文本提取：您可以从PDF文档中提取文本，包括文本内容、字体和布局信息。
  • 图像提取：您可以从 PDF 文档中提取各种格式的图像，例如 JPEG 或 PNG。
  • 表格提取：您还可以从 PDF 文档中提取表格。

在这篇评论中，我们的主要重点将是库的提取和解析功能。要深入评估拆分、合并和页面管理功能，请单击此处。

GitHub

GitHub 统计

姓名：
语言：
星星：
叉子：
执照：
存储库上次更新于

PyMuPDF 入门

您需要 Python 版本 3.8.0 或更高版本才能安装和使用 PyMuPDF。因此，首先安装 Python，然后使用以下命令使用 pip 和虚拟环境。

Linux


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

苹果系统


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

视窗


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

从 PDF 中提取文本

您可以使用Python中的PyMuPDF库从PDF文档中提取文本并进行文本分析，例如统计单词数，只需使用库中提供的函数即可，如下代码所示：

输出

下图显示了提取的文本和 PDF 文件中的字数：

从 PDF 中提取图像

我们可以使用 PyMuPDF 库在 Python 中从 PDF 文档中提取图像。下面的代码片段打开指定的PDF文件，从PDF中提取图像并将它们保存在当前工作目录中：

输出

以下是从 PDF 文档中提取的 PNG 图像

从 PDF 中提取表格

我们还可以使用 PyMuPDF 库来处理 PDF 文档并从中提取表格。检查下面的代码片段，该代码片段打开指定的 PDF 文件并从 PDF 文档中提取表格：

输出

下面的屏幕截图显示了从 PDF 文档中提取的表格：

将文本插入 PDF

下面的 Python 代码片段演示了如何使用 PyMuPDF 库将文本插入 PDF 文件并将修改后的 PDF 保存为 text.pdf：

输出

使用上述代码插入的文本在下面给出的红色框中突出显示：

使用 OCR 和 PyMuPDF 进行 PDF 文本识别

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

输出

下图显示了从所提供的 PDF 文件中的图像中提取的文本：

结论

总之，PyMuPDF 是一个专业工具，具有一些明显的优点和缺点。它非常适合 OCR 和文本提取等任务，这使得它对于处理 PDF 中的文本很有价值。

然而，它不太擅长从 PDF 中提取表格，特别是当 PDF 结构复杂或页数较多时，这对某些用户来说可能是一个缺点。此外，在某些情况下，它可能需要额外的库，例如 Pandas 和 Tesseract OCR 语言数据文件，从而增加了其使用的复杂性。尽管存在这些限制，PyMuPDF 仍然是处理 PDF 中文本的可靠选择。

类似产品

 中国人