Wie man Fitz (PyMuPDF) für die PDF-Verarbeitung in Python verwendet

Fitz, auch bekannt als PyMuPDF, ist eine leistungsstarke Python-Bibliothek für die Arbeit mit PDF-Dokumenten. Sie ermöglicht es Ihnen, PDF-Dateien einfach zu öffnen, zu bearbeiten und Informationen daraus zu extrahieren. In diesem Artikel werden wir untersuchen, wie man Fitz in Python verwendet, komplett mit praktischen Beispielen.

Key Takeaways

1. Fitz (PyMuPDF) vereinfacht die PDF-Manipulation in Python, einschließlich Textextraktion, Zusammenführung und Bearbeitung.
2. Die Bibliothek bietet intuitive Methoden zum Extrahieren von Bildern und Metadaten aus PDF-Dokumenten.
3. Fitz ermöglicht die Modifikation und Erstellung von PDFs mit minimalem Code.

Installation

Stellen Sie vor der Verwendung von Fitz sicher, dass die PyMuPDF-Bibliothek installiert ist:

pip install pymupdf

Importieren der Bibliothek

Beginnen Sie mit dem Importieren der Bibliothek:

import fitz  # PyMuPDF

Öffnen eines PDF-Dokuments

Um eine PDF-Datei zu öffnen, verwenden Sie die Funktion fitz.open():

pdf_document = fitz.open('example.pdf')

Abrufen von Dokumentinformationen

Sie können verschiedene Metadaten aus dem Dokument abrufen:

# Anzahl der Seiten
num_pages = pdf_document.page_count
print(f'Das Dokument hat {num_pages} Seiten.')

# Metadaten
metadata = pdf_document.metadata
print('Metadaten:', metadata)

Extrahieren von Text aus Seiten

So extrahieren Sie Text von einer bestimmten Seite:

# Laden einer bestimmten Seite (0-basierter Index)
page_number = 0
page = pdf_document.load_page(page_number)

# Text extrahieren
text = page.get_text()
print(f'Text auf Seite {page_number + 1}:\n{text}')

So extrahieren Sie Text von allen Seiten:

for page_num in range(pdf_document.page_count):
    page = pdf_document.load_page(page_num)
    text = page.get_text()
    print(f'Text auf Seite {page_num + 1}:\n{text}')

Extrahieren von Bildern aus Seiten

So extrahieren Sie Bilder von einer bestimmten Seite:

# Laden der Seite
page = pdf_document.load_page(page_number)

# Abrufen von Bildern auf der Seite
image_list = page.get_images(full=True)
print(f'Es wurden {len(image_list)} Bilder auf Seite {page_number + 1} gefunden.')

# Verarbeiten jedes Bildes
for img_index, img in enumerate(image_list, start=1):
    xref = img[0]
    base_image = pdf_document.extract_image(xref)
    image_bytes = base_image["image"]

    # Speichern des Bildes
    with open(f'image_page{page_number + 1}_{img_index}.png', 'wb') as image_file:
        image_file.write(image_bytes)

Hinzufügen von Text zu einer Seite

So fügen Sie Text zu einer bestimmten Seite hinzu:

# Laden der Seite
page = pdf_document.load_page(page_number)

# Definieren des Textes und der Position
text = "Hallo, PyMuPDF!"
position = fitz.Point(100, 100)

# Hinzufügen von Text zur Seite
page.insert_text(position, text, fontsize=12, color=(0, 0, 0))

# Speichern der Änderungen
pdf_document.save('modified_example.pdf')

Zusammenführen von PDF-Dokumenten

So führen Sie zwei PDF-Dokumente zusammen:

# Öffnen der Dokumente
pdf1 = fitz.open('document1.pdf')
pdf2 = fitz.open('document2.pdf')

# Einfügen von pdf2 in pdf1
pdf1.insert_pdf(pdf2)

# Speichern des zusammengeführten Dokuments
pdf1.save('merged_document.pdf')

Aufteilen eines PDF-Dokuments

So extrahieren Sie bestimmte Seiten in ein neues PDF:

# Öffnen des Originaldokuments
pdf_document = fitz.open('example.pdf')

# Erstellen eines neuen PDFs für die extrahierten Seiten
new_pdf = fitz.open()

# Definieren des Seitenbereichs, der extrahiert werden soll (z. B. Seiten 2 bis 4)
start_page = 1  # 0-basierter Index
end_page = 4    # exklusiv

# Einfügen der angegebenen Seiten in das neue PDF
new_pdf.insert_pdf(pdf_document, from_page=start_page, to_page=end_page)

# Speichern des neuen PDFs
new_pdf.save('extracted_pages.pdf')

Schließen des Dokuments

Schließen Sie nach Abschluss der Operationen am PDF das Dokument, um Ressourcen freizugeben:

pdf_document.close()

FAQs

Wie extrahiere ich den gesamten Text aus einem PDF mit Fitz?

Schleifen Sie durch die Seiten mit load_page() und rufen Sie get_text() auf jeder Seite auf.

Kann Fitz zum Zusammenführen von zwei PDF-Dokumenten verwendet werden?

Ja, verwenden Sie insert_pdf(), um Seiten von einem PDF in ein anderes zusammenzuführen.

Ist es möglich, Text oder Anmerkungen zu einem PDF hinzuzufügen?

Ja, verwenden Sie insert_text() oder Anmerkungsmethoden, um das Dokument zu ändern.

Fazit

Fitz (PyMuPDF) bietet eine umfassende Reihe von Tools für die PDF-Manipulation in Python und ist somit eine wertvolle Ressource für Aufgaben wie Textextraktion, Inhaltsänderung und Dokumentzusammenführung oder -teilung. Weitere detaillierte Informationen und erweiterte Funktionen finden Sie in der PyMuPDF-Dokumentation.

---

Wir sind Leapcell, Ihre erste Wahl für die Bereitstellung von Python-Projekten in der Cloud.

Leapcell ist die Serverlose Plattform der nächsten Generation für Webhosting, Asynchrone Aufgaben und Redis:

Mehrsprachige Unterstützung

• Entwickeln Sie mit Node.js, Python, Go oder Rust.

Stellen Sie unbegrenzt Projekte kostenlos bereit

• Zahlen Sie nur für die Nutzung – keine Anfragen, keine Gebühren.

Unschlagbare Kosteneffizienz

• Pay-as-you-go ohne Leerlaufgebühren.
• Beispiel: 25 $ unterstützen 6,94 Millionen Anfragen bei einer durchschnittlichen Antwortzeit von 60 ms.

Optimierte Entwicklererfahrung

• Intuitive Benutzeroberfläche für mühelose Einrichtung.
• Vollautomatische CI/CD-Pipelines und GitOps-Integration.
• Echtzeitmetriken und -protokollierung für umsetzbare Erkenntnisse.

Mühelose Skalierbarkeit und hohe Leistung

• Automatische Skalierung zur einfachen Bewältigung hoher Parallelität.
• Keine betrieblichen Gemeinkosten – konzentrieren Sie sich einfach auf das Bauen.

Erfahren Sie mehr in der Dokumentation!

Folgen Sie uns auf X: @LeapcellHQ