PDF文档操作
PDF（Portable Document Format）是一种便携文档格式，它基于PostScripty这种脚本语言，它是第一个独立于设备的页面描述语言。pdf格式是与平台无关，独立于底层操作系统和渲染引擎。由于PDF文档遵循标准格式，相关生态建设完善，应用广泛，非常值得花费时间讨论使用python进行操作。
python中能够操作pdf格式文档的库有：
◆PyMuPDF
◆pikepdf
◆pdfplumber
◆ReportLab
◆borb
主攻方向稍有不同，大致分类是：
◆pikepdf专注对已经存在的PDF的操作，例如分割、合并、旋转等
◆pdfplumber专注PDF内容提取，例如文本（位置、字体及颜色等）和形状（矩形、直线、曲线），此外还能够解析表格
◆ReportLab专注PDF页面内容（文本、图、表等）的创建
◆PyMuPDF和borb同时支持读、写及PDF页面操作，功能最为全面
◆borb是较新的库，功能也较为完善，但经过笔者试用，对于中文的支持不好
PyMuPDF的基本功能全面，非常适应用于批处理PDF。使用python来操作PDF/WORD/EXCEL/PPT等类文档，应该有如下的期望：
◆进行创作是非常不称手的。为何不用Office提供的工具软件进行编辑创作呢。因此，不能够指望这类库以及python提供非常全面完善的能力
◆能够在原来文档的基础上，进行批量化的一些操作。例如，可以基于某个模板，批量得制作邀请函，只要简单得修改姓名即可。或者根据数据库中的内容，在模板的基础上，定期形成周报、月报类固定格式的文档
◆能够在原来文档的基础上，增加、删除以及调整图片、文字与页面布局
所以，下述代码均从已经存在的内容入手进行演示：
01.
图片处理
timport os
import fitz
print(fitz.__doc__)
def export2png(filename,pageno):
"""
将pdf文件指定页(从0开始算)导出为PNG图片文件
Args:
filename (string): PDF文件名
pageno (int): 页号(从0开始)
"""
with fitz.open(filename) as doc:
page = doc[pageno]
pix = page.get_pixmap()
pix.save("page-%i.png" % pageno)
def export2svg(filename,pageno):
"""
将pdf文件指定页(从0开始算)导出为SVG矢量图
Args:
filename (string): PDF文件名
pageno (int): 页号(从0开始)
"""
with fitz.open(filename) as doc:
page = doc[pageno]
svg = page.get_svg_image(matrix=fitz.Identity)
output = open("page-%i.svg" % pageno,'w')
output.write(svg)
output.close()
def figs2pdf(filename,startdir):
"""
将指定目录下的所有图片文件合并成为PDF文件
Args:
filename (string): 未来要生成的PDF文件名称
startdir (string): 图片所在目录
"""
doc = fitz.open()
# 列出目录下所有文件
imglist = os.listdir(startdir)
imglist.sort()
for _, f in enumerate(imglist):
# 遍历并且打开每个图片文件
img = fitz.open(os.path.join(startdir, f))
# 计算图片大小
rect = img[0].rect
pdfbytes = img.convert_to_pdf()
img.close()
# 将图片文件贴合到PDF页上
imgPDF = fitz.open("pdf", pdfbytes)
page = doc.new_page(width = rect.width,height = rect.height)
page.show_pdf_page(rect, imgPDF, 0)
# 保存到目标PDF中
doc.save(filename)
def convert(inputfile,outputfile):
"""
对图片格式进行转换
Args:
inputfile (string): 源图片
outputfile (string): 目标图片
"""
pix = fitz.Pixmap(inputfile)
pix.save(outputfile)
pdfname = r'd:\test\sed.pdf'
figs2pdf(r'd:\test\demo.pdf',r'D:\test\all\figures')
export2png(pdfname,10)
export2svg(pdfname,10)
convert(r"D:\test\all\serial1\000000.gif",r'd:\test\0.psd')
convert(r"D:\test\all\serial1\000000.jpg",r'd:\est\1.png')上述代码演示了合并图片与分解PDF到图片，转换图片格式等功能。
•其中figs2pdf函数完成了从指定目录的多个图片合成一个PDF文件的常用功能。相对复杂一些。
•pymupdf也提供了逆向生成图片的方法。
•export2png将指定PDF文件的指定页转换成为PNG文件，效果比截图好
•export2svg将指定PDF文件的指定页转换成为svg文件，而SVG文件是矢量图、能够编辑，这个功能更是强大
•convert函数能够将多种图片格式进行转换。代码演示了转换成为psd与png格式。当然这些功能是pymupdf赠送的功能，不能够与pillow等专业库相比
下面的代码演示如何从pdf中提取文字，以及获得PDF文档中的各类链接。
import fitz
def showmeta(filename):
"""
显示PDF的基本信息
Args:
filename (string): 要打开的PDF文件名称
"""
print(fitz.__doc__)
doc = fitz.open(filename)
print(doc.page_count)
print(doc.metadata)
def showlinks(filename):
"""
显示PDF中的所有超链
Args:
filename (string): 要打开的PDF文件名称
"""
with fitz.open(filename) as doc:
for page in doc:
for link in page.links():
# 显示一个列表
if link["kind"] == fitz.LINK_GOTO:
print("Jump to page", link["page"] + 1)
elif link["kind"] in (fitz.LINK_GOTOR, fitz.LINK_LAUNCH):
print("Open or launch file", link["file"])
elif link["kind"] == fitz.LINK_URI:
print("Open URI", link["uri"])
def showtext(filename, pageno, option='text'):
"""
显示pdf中的文字
Args:
filename (string): 要打开的PDF文件名称
pageno (int): 页号
option (选项): 可能是'text','block'等
Returns:
list: 所有的文字列表
"""
with fitz.open(filename) as doc:
page = doc[pageno]
return page.get_text(option)
def searchtext(filename, pageno, searchstr):
"""
在pdf中搜寻文字
Args:
filename (string): 要打开的PDF文件名称
pageno (int): 页号
searchstr (string): 要搜索的内容
Returns:
list: 匹配文字所在的区域列表。
"""
with fitz.open(filename) as doc:
page = doc[pageno]
areas = page.search_for(searchstr)
return areas
pdfname = r'd:\test\阿里技术地图.pdf'
print(showtext(pdfname, 9))
areas = searchtext(pdfname, 1, '数据挖掘')
for rect in areas:
print(rect)
showlinks(pdfname)以上代码中：
•showtext需要传递相关的选项。pymupdf可以提取多种类型的文字。具体可以参考
•searchtext函数的返回与通常的预期不同，返回的是多个区域所形成的列表。主要用途是为了相关的工具软件显示用，例如可以高亮等。如果用这个函数只是期待返回具体的文字内容的话，不妨直接获得文字，然后再使用字符串的搜索功能。
•showlinks函数直接获得了所有页上所有的链接。大部分链接是内部的跳转，也有使用编辑软件加入的外部超链。文字内的包含的URL使用pymupdf是找不到的，必须自己写函数对字符串进行语议分析才能够获得，这个也是pymupdf不完善的地方。
除了上述对PDF本身的操作外，还有从PDF到DOCX文档的双向转换需要。由DOCX文档转PDF文档非常容易，直接在WORD中选择打印或者导出即可，没有什么可以讨论的。但是反过来稍微困难些，可以考虑以下方法：
•直接用WORD打开PDF，然后另存为DOCX文档。
•使用pdf2docx转化
•使用python-office转化
pdf2docx是一个轻量级的第三方库，对中文的支持不错，本身是基于pymupdf库发展起来的，它的安装过程如下。
pip install pdf2docx
# upgrade
pip install --upgrade pdf2docx《阿里的技术地图》这个PDF可以从网上下载到，内容比较丰富，值得一看。如果想要转换成为WORD文档，示例代码如下。
from pdf2docx import Converter
inputfilename = r'd:\test\阿里技术地图.pdf'
outputfilename = r'd:\test\demo.docx'
cv = Converter(inputfilename)
# 将PDF全部内容转换成为DOCX
cv.convert(outputfilename)
cv.close()
cv = Converter(inputfilename)
# 将PDF部分页转换为DOCX
cv.convert(outputfilename,start=3,end=5)
cv.close()
cv = Converter(inputfilename)
# 将PDF个别页转换为DOCX
cv.convert(outputfilename,pages=[10,16,8])
cv.close()这个库转换速度不是太快，还提供了多进程的功能，但实际使用时会有BUG出现，不建议使用。