PyMuPDF：多格式文档处理工具

pymupdf/PyMuPDF 在 GitHub 上已经拿到 9,696 Star 了。

这个工具为 MuPDF 添加了 Python 绑定和抽象层，MuPDF 是轻量级的 PDF、XPS、电子书查看器、渲染器和工具集，两者都由 Artifex Software 公司维护开发。

1、 这玩意儿是干嘛的

PyMuPDF 可以处理多种格式的文件，包括 PDF、XPS、OpenXPS、CBZ、EPUB、FB2 等电子书格式，以及 PNG、JPG、BMP、TIFF 等约 10 种常见图片格式。

它支持对所有兼容的文档类型执行多项操作：解密文档，访问元信息、链接和书签，将页面渲染为 PNG 等栅格格式或 SVG 矢量格式，搜索文本，提取文本和图片，转换为 PDF、HTML、XML、JSON、文本等格式。如果安装了 Tesseract，还可以执行光学字符识别。

在特定场景下，PyMuPDF 也可以作为图片转换器使用，它能读取多种输入格式，输出 PNG、PNM、PAM、Adobe PostScript、Adobe Photoshop 等格式的文件，在这类场景中可以替代其他图形处理工具。它也支持与 PIL/Pillow 对接，实现图片输入输出的交互。

针对 PDF 文档，它还有更多额外功能：创建、合并或拆分 PDF，插入、删除、重排或修改页面，支持注释和表单字段。可以提取或插入图片和字体，项目仓库中提供了 GUI 示例脚本，可以可视化控制图片的插入、删除、替换和重新定位。如果安装了 fontTools，还可以根据字体在文档中的使用情况构建子集，对新建的 PDF 来说，这可以显著减小文件体积。支持嵌入文件，对 PDF 进行重新排版以支持双面打印、海报制作、添加 logo 或水印。完全支持密码保护，包括解密、加密、加密方法选择、权限级别和用户/所有者密码设置。可以访问和修改 PDF 底层结构，还提供命令行模块，支持加密解密、优化、创建子文档、合并文档、提取图片和字体、提取带布局的文本等功能。

2、 有什么特点

MuPDF 以高性能和出色的渲染质量著称，PyMuPDF 继承了这些特性。处理文档时速度快，渲染效果准确。

它没有强制的外部依赖，部分可选功能需要安装额外包：安装 Pillow 可以直接输出 Pillow 格式的图片，安装 fontTools 可以创建字体子集，安装 pymupdf-fonts 可以使用更多字体进行文本输出，安装 Tesseract-OCR 并配置环境变量 TESSDATA_PREFIX 后可以使用光学字符识别功能。

PyMuPDF 从 2016 年 8 月开始在 PyPI 上发布，支持 Python 3.7 及以上版本，提供 Windows、Linux、Mac OSX 平台的预编译 wheel 包，安装过程简单。

3、 如何安装使用

安装前建议先升级 pip：

python -m pip install --upgrade pip
python -m pip install --upgrade pymupdf

如果 pip 找不到兼容的 wheel 包，会自动从源码构建，此时需要系统安装有 SWIG。

官方提供了完整的文档，托管在 Read the Docs 上，包含参考指南和用户手册，还有教程和常见问题章节可以帮助快速上手。项目仓库中也提供了演示程序、示例代码和 Jupyter 笔记本，覆盖了大部分常见使用场景。

4、 适合哪些人用

需要批量处理 PDF 或其他文档格式的开发者，做数据预处理需要提取文档文本和图片的使用者，开发文档处理相关工具的团队，需要在应用中集成文档渲染或编辑功能的项目。

开源地址：https://github.com/pymupdf/PyMuPDF