Python使用PyMuPDF(fitz)处理PDF文档的操作指南

pip install pymupdf

import fitz  # PyMuPDF 的导入名称

# 打开 PDF 文件
doc = fitz.open("example.pdf")

# 获取文档信息
print(f"页数: {doc.page_count}")
print(f"元数据: {doc.metadata}")

# 读取第一页文本
page = doc.load_page(0)  # 0 表示第一页
text = page.get_text()
print(text)

# 关闭文档
doc.close()

# 提取所有页面文本
for page_num in range(doc.page_count):
    page = doc.load_page(page_num)
    print(f"第 {page_num+1} 页内容:")
    print(page.get_text())

# 将第一页渲染为图像
page = doc.load_page(0)
pix = page.get_pixmap(matrix=fitz.Matrix(2, 2))  # 2倍缩放提高清晰度
pix.save("page0.png")  # 保存为PNG

# 在整个文档中搜索特定文本
for page_num in range(doc.page_count):
    page = doc.load_page(page_num)
    text_instances = page.search_for("搜索关键词")
    
    for inst in text_instances:
        print(f"在第 {page_num+1} 页找到匹配:")
        print(f"位置: {inst}")

# 提取带格式的文本（保留布局）
text = page.get_text("blocks")  # 返回文本块列表
for block in text:
    print(block[4])  # 文本内容在元组的第5个位置

# 获取所有链接
links = page.get_links()
for link in links:
    if link["kind"] == fitz.LINK_URI:  # 网页链接
        print(f"找到URL链接: {link['uri']}")

# 获取文档书签
toc = doc.get_toc()  # 获取目录
for item in toc:
    print(f"层级 {item[0]}, 标题: {item[1]}, 页码: {item[2]}")

# 创建新文档
new_doc = fitz.open()

# 从原文档复制页面
new_doc.insert_pdf(doc, from_page=0, to_page=2)  # 复制前3页

# 添加新页面
new_page = new_doc.new_page(width=595, height=842)  # A4尺寸
new_page.insert_text((100, 100), "这是新添加的文本")

# 保存修改后的文档
new_doc.save("modified.pdf")
new_doc.close()

# 高效处理多页
with fitz.open("large.pdf") as doc:
    for page in doc:  # 直接迭代比load_page更快
        text = page.get_text()

from concurrent.futures import ThreadPoolExecutor

def process_page(page_num):
    with fitz.open("large.pdf") as doc:
        page = doc.load_page(page_num)
        return page.get_text()

with ThreadPoolExecutor() as executor:
    results = list(executor.map(process_page, range(doc.page_count)))

# 只加载需要的页面
doc = fitz.open("large.pdf")
page = doc[10]  # 直接访问第11页

# 确保系统有中文字体
text = page.get_text("text", flags=fitz.TEXT_PRESERVE_LIGATURES)

doc = fitz.open("encrypted.pdf", password="123456")

if doc.can_save_incrementally():
    print("支持增量保存")