PDFから文章を読み取る！「PyMuPDF 入門編」

便利ツール

2022.01.16 2021.11.23

　以前の記事で、python で PDF を読み書きできるライブラリとして、「borb」を紹介してきました！

　PDFを扱っていて、PDFをそのまま編集できたらいいのにな～と思うときありませんか？本来であれば、PDFに出力前の形式に戻って編集をしなければいけませんが、それでは手間がかかる！　そんなときに、おすすめなのが今回紹介する borbという...

　今回は、borbに続いて同じくPDFを読み書きができるライブラリとして「PyMuPDF」というライブラリを見つけたので、ライブラリについての紹介と簡単な使い方を紹介していきます！！

PyMuPDFとは？
PDFを読み込んでみる！
おわりに

PyMuPDFとは？

pythonでPDFなどを読み書きできるライブラリで、もともとあったC言語で書かれたMuPDFのpython版です！

試してみたところ、英語だけではなく、日本語も読み取ることができそうです！！

対応可能なファイル形式

電子書籍などに使われる形式も対応しているので、電子書籍の読み込みもできそうです！

PDF
XPS
OpenXPS
CBZ
EPUB
FB2

PyMuPDFでできること

文書を復号化する
メタ情報、リンク、ブックマークにアクセスする
ラスター形式（PNGなど）or ベクター形式のSVGでページをレンダリング
テキストを検索
テキストや画像の抽出
他の形式に変換：PDF、（X）HTML、XML、JSON、テキストへ

インストール方法

pip install でインストールすることができます！

pip install pymupdf

PDFを読み込んでみる！

import

fitzをインポートします

import fitz

ドキュメントを開く

ファイル名を指定して、ファイルを開きます！

doc = fitz.open('filename.pdf')

ドキュメント情報取得

ドキュメントの情報として、読み込めるのは以下の4つの情報です！

page_count = doc.page_count #ページ数
meta_data = doc.metadata    #メタデータ
toc = doc.get_toc()         # 目次 (Table of Contents)
page = doc.load_page(<読み込むページ>) #ページを読み込む

メタデータとは？

作成者
フォーマット (EPUBなど)
最終更新日
キーワード
タイトル
作成日　など

全ページのテキストを読み込む

doc.load_pageで1ページずつテキスト情報を読み込む。これをpage_countで取得したPDFのページ数分を読み込んでいきます！

texts = []
for page_num in range(doc.page_count):
    page = doc.load_page(page_num) texts.append(page.get_text("text").replace('\n',''))
print(texts)