### 使用 PyMuPDF 读取 PDF 文件内容的方法 PyMuPDF（也称为 `fitz`）是一个功能强大的 Python 库，支持读取、解析和操作 PDF 文件。它比其他库如 `PyPDF2` 或 `pdfplumber` 更加高效，尤其在处理复杂文档结构和图像内容时表现更佳。 #### 安装 PyMuPDF 在使用 PyMuPDF 之前，需要先安装该库。可以通过 pip 安装： ```bash pip install pymupdf ``` #### 读取整个 PDF 文件内容 可以使用 `fitz.open()` 方法打开 PDF 文件，并通过遍历每一页提取文本内容。以下是一个完整的示例代码： ```python import fitz # PyMuPDF def extract_text_from_pdf(pdf_path): doc = fitz.open(pdf_path) text = "" for page in doc: text += page.get_text() doc.close() return text # 示例调用 pdf_text = extract_text_from_pdf("example.pdf") print(pdf_text) ``` 上述代码中，`page.get_text()` 用于提取页面中的文本内容，并将其拼接成一个完整的字符串返回。 #### 提取特定页面内容 如果仅需提取某一页的内容，可以指定页面索引。例如，提取第一页的内容： ```python doc = fitz.open("example.pdf") page = doc.load_page(0) # 第一页索引为0 text = page.get_text() doc.close() ``` #### 获取 PDF 中的图像资源 PyMuPDF 还支持提取 PDF 中的图像内容。可以通过 `get_images()` 方法获取图像对象，并进一步提取图像数据： ```python doc = fitz.open("example.pdf") for page_num in range(len(doc)): page = doc.load_page(page_num) image_list = page.get_images(full=True) for img in image_list: xref = img[0] base_image = doc.extract_image(xref) image_bytes = base_image["image"] # 可将 image_bytes 保存为图像文件 doc.close() ``` #### 与 PDF 交互的灵活性 除了提取文本和图像，PyMuPDF 还支持对 PDF 进行标注、高亮、添加水印等操作。例如，可以使用 `page.add_highlight_annot()` 方法对指定文本区域进行高亮标注，增强文档交互能力。