PDF 的各种操作，我用 Python 来实现（附网站和操作指导）
PDF 的各种操作，我用 Python 来实现（附网站和操作指导）
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
pip install numpy # numpy 包的安装
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
pip install PyMuPDF
PyPI 源：https://pypi.org/project/PyMuPDF/
PyMuPDF 的导入是这样子的
import fitz
PDF 各种处理
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：
python -m fitz clean -h
usage: fitz clean [-h] [-password PASSWORD]
[-encryption {keep,none,rc4-40,rc4-128,aes-128,aes-256}]
[-owner OWNER] [-user USER] [-garbage {0,1,2,3,4}]
[-compress] [-ascii] [-linear] [-permission PERMISSION]
[-sanitize] [-pretty] [-pages PAGES]
input output
-------------- optimize PDF or create sub-PDF if pages given --------------
positional arguments:
input PDF filename
output output PDF filename
optional arguments:
-h, --help show this help message and exit
-password PASSWORD password
-encryption {keep,none,rc4-40,rc4-128,aes-128,aes-256}
encryption method
-owner OWNER owner password
-user USER user password
-garbage {0,1,2,3,4} garbage collection level
-compress compress (deflate) output
-ascii ASCII encode binary data
-linear format for fast web display
-permission PERMISSION
integer with permission levels
-sanitize sanitize / clean contents
-pretty prettify PDF structure
-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
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
其他功能请自行尝试
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：
python -m fitz extract -h
usage: fitz extract [-h] [-images] [-fonts] [-output OUTPUT] [-password PASSWORD]
[-pages PAGES]
input
--------------------- extract images and fonts to disk --------------------
positional arguments:
input PDF filename
optional arguments:
-h, --help show this help message and exit
-images extract images
-fonts extract fonts
-output OUTPUT output directory, defaults to current
-password PASSWORD password
-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
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
saved 9 fonts to 'F:\提取结果'
saved 6 images to 'F:\提取结果'
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:
python -m fitz join -h
usage: fitz join [-h] -output OUTPUT [input [input ...]]
---------------------------- join PDF documents ---------------------------
positional arguments:
input input filenames
optional arguments:
-h, --help show this help message and exit
-output OUTPUT output filename
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
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
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
import sys, fitz, os, datetime
def pyMuPDF_fitz(pdfPath, imagePath):
startTime_pdf2img = datetime.datetime.now()#开始时间
print("imagePath="+imagePath)
pdfDoc = fitz.open(pdfPath) # 打开文件
for pg in range(pdfDoc.pageCount): # 遍历所有页面
page = pdfDoc[pg]
rotate = int(0) # 页面旋转角度
# 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。
# 此处若是不做设置，默认图片大小为：792X612, dpi=96
zoom_x = 1.33333333 #(1.33333333-->1056x816) (2-->1584x1224)
zoom_y = 1.33333333
mat = fitz.Matrix(zoom_x, zoom_y).preRotate(rotate)
pix = page.getPixmap(matrix=mat, alpha=False)
if not os.path.exists(imagePath):#判断存放图片的文件夹是否存在
os.makedirs(imagePath) # 若图片文件夹不存在就创建
pix.writePNG(imagePath+'/'+'images_%s.png' % pg)#将图片写入指定的文件夹内
endTime_pdf2img = datetime.datetime.now()#结束时间
print('pdf2img时间=',(endTime_pdf2img - startTime_pdf2img).seconds)
if __name__ == "__main__":
pdfPath = './视觉工程师必须知道的工业相机50问.pdf'
imagePath = './提取结果'
pyMuPDF_fitz(pdfPath, imagePath)
旋转 10 度的结果
神奇的网站明天再放出，哈哈哈～～～
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