- 图像处理
【免费下载链接】PyMuPDF
PyMuPDF is a high performance Python library for data extraction, analysis, conversion & manipulation of PDF (and other) documents.
PyMuPDF 是一个以 MuPDF（轻量级 C 渲染引擎）为底层的高性能 Python 库，用于 PDF（及 XPS、EPUB、CBZ、MOBI、FB2、SVG、Markdown 等格式）的数据提取、分析、转换、渲染与操作。本文以本仓库 README.md 为核心骨架，结合 src/ 目录下的真实源码实现，系统讲解安装配置、文本/表格/图片提取、页面渲染、OCR、注释与编辑、表单处理、多进程并行以及 PyMuPDF Pro 的 Office 文档支持，帮助读者构建可直接上手的 PDF 处理流水线。
为什么选择 PyMuPDF
仓库根目录 README.md 给出的定位是：基于 MuPDF 的高性能 Python 库，提供精确的低层控制能力与便捷的高层 API，无强制外部依赖。其核心卖点可归纳为四点：
- 快（Fast）——底层由 MuPDF C 渲染引擎驱动，典型场景下相对纯 Python 实现有数量级的性能优势；
- 准（Accurate）——文本提取保留字体、颜色、位置等像素级精确的元数据；
- 全能（Versatile）——支持读取、写入、注释、密文删除（redact）、合并、拆分与格式转换；
- 面向 LLM（LLM-ready）——借助 PyMuPDF4LLM 输出原生 Markdown，直接服务 RAG 与 AI 流水线。
需要特别说明的是：文档中的性能对比、下载量等营销数据来自外部公开渠道，本文不做进一步引用；从仓库源码可以确证的事实是，PyMuPDF 在构建时会将 MuPDF 源码一同编译打包（详见下文“从源码构建”小节），因此pip install pymupdf之后即为完整自包含的运行环境。
安装与可选扩展包
基础安装
pip install pymupdf从 setup.py 的构建脚本可以看出，PyMuPDF 的安装流程并不简单：它会先下载与当前版本绑定的 MuPDF 源码包（默认从https://mupdf.com/downloads/archive/mupdf-<版本>-source.tar.gz拉取，见 setup.py），然后通过 MuPDF 自带的mupdfwrap.py脚本构建共享库，再基于 src/extra.i 用 SWIG 生成 Python 扩展模块。这就是为什么普通用户安装后无需任何额外配置即可使用——MuPDF 的libmupdf.so、libmupdfcpp.so以及_mupdf绑定都会被一并打包进 wheel。
预编译 wheel 覆盖Windows、macOS、Linux，支持 Python3.10–3.14；具体平台标签包括：
manylinux（x86_64 与 aarch64）musllinux（x86_64）- macOS（x86_64 与 arm64）
- Windows（x86 与 x86_64）
若目标平台没有预编译 wheel，pip 会尝试从源码编译，此时需要本机的 C/C++ 工具链。构建过程可被大量PYMUPDF_SETUP_*环境变量控制，例如：
| 环境变量 | 作用（依据 setup.py） |
|---|---|
PYMUPDF_SETUP_MUPDF_BUILD | 指定 MuPDF 来源：留空使用系统 MuPDF；git:--branch master表示从 git 克隆；缺省用内置固定版本 |
PYMUPDF_SETUP_MUPDF_BUILD_TYPE | Unix 下 MuPDF 构建类型：debug/memento/release（默认） |
PYMUPDF_SETUP_MUPDF_TESSERACT | 设为0时构建不带 Tesseract 的 MuPDF |
PYMUPDF_SETUP_MUPDF_CLEAN | 设为1时强制干净重建 MuPDF |
PYMUPDF_SETUP_PY_LIMITED_API | 非0时按当前 Python 的稳定 ABI 构建 |
PYMUPDF_SETUP_FAKE_NOGIL | 设为1时（不正确）地声明自身线程安全，仅用于内部测试 |
可选扩展包
| 包 | 用途 |
|---|---|
pymupdf-fonts | 为文本输出提供扩展字体集 |
pymupdf4llm | 面向 LLM/RAG 优化的 Markdown 与 JSON 提取 |
pymupdfpro | 增加 Office（Microsoft/Korean Office）文档支持 |
tesseract-ocr | 扫描件与图片 OCR（需单独安装） |
# 更多字体 pip install pymupdf-fonts # LLM-ready 提取 pip install pymupdf4llm # Office 支持 pip install pymupdfpro # OCR（Tesseract 需单独安装） # macOS brew install tesseract # Ubuntu / Debian sudo apt install tesseract-ocr支持的输入输出格式
输入
| 类别 | 格式 |
|---|---|
| PDF 及其衍生格式 | PDF、XPS、EPUB、CBZ、MOBI、FB2、SVG、TXT、MD |
| 图片 | PNG、JPEG、BMP、TIFF、GIF 等 |
| Microsoft Office（Pro） | DOC、DOCX、XLS、XLSX、PPT、PPTX |
| Korean Office（Pro） | HWP、HWPX |
输出
| 格式 | 说明 |
|---|---|
| 从 Office 格式全保真转换 | |
| SVG | 矢量页面渲染 |
| 图片（PNG、JPEG 等） | 任意 DPI 页面栅格化 |
| Markdown | 结构感知、面向 LLM |
| JSON | 边界框、版式数据、逐元素细节 |
| 纯文本 | 快速轻量的提取结果 |
快速开始：核心 API 一览
打开文档
Document类的构造器即“打开文档”入口，open是其同义词（src/init.py）。其签名如下：
Document(filename=None, stream=None, filetype=None, rect=None, width=0, height=0, fontsize=11, archive=None)几种典型用法：
import pymupdf doc = pymupdf.open("document.pdf") # 按文件名打开 doc = pymupdf.open() # 新建空白 PDF doc = pymupdf.open(stream=buf, filetype="pdf") # 从字节流打开 doc = pymupdf.open("book.epub", width=600, height=800) # 可重排文档指定版式提取纯文本
import pymupdf doc = pymupdf.open("document.pdf") for page in doc: print(page.get_text())page.get_text()支持"text"、"dict"、"words"、"html"、"xml"、"rawdict"等多种提取模式（在 src/init.py 中委托给 src/utils.py 的get_text实现）。
提取带版式元数据的文本
import pymupdf doc = pymupdf.open("document.pdf") page = doc[0] blocks = page.get_text("dict")["blocks"] for block in blocks: if block["type"] == 0: # text block for line in block["lines"]: for span in line["spans"]: print(f"{span['text']!r} font={span['font']} size={span['size']:.1f}")提取表格
import pymupdf doc = pymupdf.open("spreadsheet.pdf") page = doc[0] tables = page.find_tables() for table in tables: print(table.to_markdown()) # 或导出为 Pandas DataFrame df = table.to_pandas()表格检测在 src/table.py 中实现，page.find_tables()只是其薄封装（src/init.py）。该函数暴露了大量可调参数，用于应对复杂版式：
page.find_tables( clip=None, # 限定检测区域 vertical_strategy="lines", # "lines" / "text" / "explicit" horizontal_strategy="lines", snap_tolerance=3.0, # 线吸附容差 join_tolerance=3.0, # 线连接容差 edge_min_length=3, # 最小有效线长 min_words_vertical=3, # 构成单元格的最小词数 min_words_horizontal=1, text_tolerance=3, # 文本归类容差 add_lines=None, # 用户补充的线条 add_boxes=None, # 用户补充的矩形 use_layout=True, # 用版式分析结果门控/限制线检测 union=False, # 融合版式网格与线检测候选 refine=False, # 细化每个表格的单元格网格 )导出层面，Table.to_markdown(clean=False, fill_empty=True)输出 GitHub 兼容 Markdown，Table.to_pandas(**kwargs)输出 DataFrame（src/table.py）。refine=True时还会把单元格合并结构与表头语义附加到Table.placements、Table.header_rows等属性上，并影响Table.to_html()的输出。
将页面渲染为图片
import pymupdf doc = pymupdf.open("document.pdf") page = doc[0] pixmap = page.get_pixmap(dpi=150) pixmap.save("page_0.png")get_pixmap()支持matrix、dpi、colorspace、alpha、clip等参数（src/init.py），可指定任意 DPI 进行栅格化，得到Pixmap对象后再保存为 PNG/JPEG 或送入其他处理流程。
OCR 扫描文档
import pymupdf doc = pymupdf.open("scanned.pdf") page = doc[0] # 需要系统安装 Tesseract 并在 PATH 中 text = page.get_textpage_ocr(language="eng").extractText() print(text)将 Markdown 转换为 PDF
import pymupdf md_doc = pymupdf.open("example.md") md_doc.save("example.pdf")注意：这里的 Markdown 转换走的是pymupdf.open()直接打开 MD 文件的路径——MD 是输入格式表中列出的受支持输入格式之一。
为 LLM 转换为 Markdown
import pymupdf4llm md = pymupdf4llm.to_markdown("report.pdf") # 直接送入 LLM 或向量库 print(md)注释与密文删除
import pymupdf doc = pymupdf.open("contract.pdf") page = doc[0] # 添加高亮注释 rect = pymupdf.Rect(72, 100, 400, 120) page.add_highlight_annot(rect) # 添加密文注释并应用 page.add_redact_annot(rect) page.apply_redactions() doc.save("contract_redacted.pdf")合并 PDF
import pymupdf merger = pymupdf.open() for path in ["part1.pdf", "part2.pdf", "part3.pdf"]: merger.insert_pdf(pymupdf.open(path)) merger.save("merged.pdf")Document.insert_pdf()是功能完整的合并接口（src/init.py），支持from_page/to_page指定页范围，也支持rotate等选项——拆分 PDF 为单页时同样复用该接口。
Office 文档转 PDF（Pro）
import pymupdf.pro pymupdf.pro.unlock("YOUR-LICENSE-KEY") doc = pymupdf.open("presentation.pptx") pdf_bytes = doc.convert_to_pdf() with open("output.pdf", "wb") as f: f.write(pdf_bytes)从 Word 文档提取 LLM-ready Markdown
import pymupdf4llm import pymupdf.pro pymupdf.pro.unlock("YOUR-LICENSE-KEY") md = pymupdf4llm.to_markdown("document.docx") print(md)核心能力一览
基础能力
| 能力 | 说明 |
|---|---|
| 文本提取 | 纯文本、富 dict（字体、字号、颜色、bbox）、HTML、XML、原始 blocks |
| 表格检测 | find_tables()定位、提取并导出为 Markdown 或结构化数据 |
| 图片提取 | 提取内嵌图片，或将任意页面渲染为高分辨率Pixmap |
| 渲染 | 将 PDF 页面渲染为图片或Pixmap数据，供 UI 或其他流程使用 |
| OCR | 集成 Tesseract——整页或局部 OCR，可配置语言 |
| 注释 | 读写高亮、下划线、波浪线、便签、自由文本、墨迹、图章 |
| 密文删除 | 添加并永久应用密文注释 |
| 表单 | 读取与填写 PDF AcroForm 字段 |
| PDF 创建 | 直接用 API 创建，或从 Markdown 文件快速转换 |
| PDF 编辑 | 插入、删除、重排页面；设置元数据；合并与拆分文档 |
| 绘图 | 绘制直线、曲线、矩形、圆形；插入 HTML 框 |
| 加密 | 打开密码保护的 PDF；以 RC4 或 AES 加密保存 |
| 链接 | 提取超链接、内部交叉引用与 URI 目标 |
| 书签 | 读写大纲/目录树 |
| 元数据 | 标题、作者、创建日期、生产者、主题及自定义条目 |
| 颜色空间 | RGB、CMYK、灰度；颜色空间转换 |
LLM 与 AI 输出（经由 PyMuPDF4LLM）
| 输出 | API |
|---|---|
| Markdown | pymupdf4llm.to_markdown(path) |
| JSON | pymupdf4llm.to_json(path) |
| 纯文本 | pymupdf4llm.to_text(path) |
PyMuPDF4LLM 支持多栏版式、自然阅读顺序与按页分块，表格会被检测并转为 GitHub 兼容 Markdown，与正文按正确阅读顺序交错输出——这正是 RAG 流水线最需要的输入形态。
实用 Recipes：开箱即用的完整脚本
提取 PDF 中全部图片
import pymupdf from pathlib import Path doc = pymupdf.open("document.pdf") out = Path("images") out.mkdir(exist_ok=True) for page_index, page in enumerate(doc): for img_index, img in enumerate(page.get_images()): xref = img[0] pix = pymupdf.Pixmap(doc, xref) if pix.n > 4: # 转换 CMYK pix = pymupdf.Pixmap(pymupdf.csRGB, pix) pix.save(out / f"page{page_index}_img{img_index}.png")这里有两个值得注意的细节（与 FAQ 呼应）：page.get_images()（src/init.py）只列出内嵌位图对象；若页面中的图表是用绘图指令绘制的矢量图形，它不会出现在列表中，此时应改用page.get_pixmap()整页栅格化。另外pix.n > 4表示含 Alpha 之外的额外通道（如 CMYK），需要先转换到 RGB 才能正确保存。
跨文档搜索文本并高亮
import pymupdf doc = pymupdf.open("document.pdf") needle = "confidential" for page in doc: hits = page.search_for(needle) if hits: print(f"Page {page.number}: {len(hits)} occurrence(s)") for rect in hits: page.add_highlight_annot(rect) doc.save("highlighted.pdf")search_for()返回匹配位置的Rect列表（src/init.py），可直接用于注释定位；对非水平排列的文本可传quads=True获得更精确的四边形区域。
将 PDF 拆分为单页文件
import pymupdf doc = pymupdf.open("document.pdf") for i, page in enumerate(doc): out = pymupdf.open() out.insert_pdf(doc, from_page=i, to_page=i) out.save(f"page_{i + 1}.pdf")每页插入水印
import pymupdf doc = pymupdf.open("document.pdf") for page in doc: page.insert_text( point=pymupdf.Point(72, page.rect.height / 2), text="DRAFT", fontsize=72, color=(0.8, 0.8, 0.8), rotate=45, ) doc.save("watermarked.pdf")page.insert_text()（src/init.py）支持指定插入点、字号、颜色与旋转角度，是构建水印、页眉页脚、批注文本的基础 API。
Office 文档处理与 PyMuPDF Pro
PyMuPDF Pro 是一个扩展层，原生处理 Microsoft 与 Korean Office 格式——无需安装 Office、无需 COM 互操作、无需调用 LibreOffice 子进程。解锁后，pymupdf.open()可以像打开 PDF 一样接受 Office 文件：
import pymupdf.pro pymupdf.pro.unlock("YOUR-LICENSE-KEY") # 各种格式用法完全一致 for fmt in ["contract.docx", "data.xlsx", "deck.pptx", "report.hwpx"]: doc = pymupdf.open(fmt) for page in doc: print(page.get_text())Office 文档支持的操作包括：
- 逐页提取文本与图片
- 通过
doc.convert_to_pdf()转为 PDF（src/init.py） - 将页面栅格化为 PNG/JPEG 供可视化检查
- 直接送入 PyMuPDF4LLM 获得 AI-ready 输出
无许可证时的限制
当调用pymupdf.pro.unlock()而未提供有效密钥时，将受到以下限制：
| 限制 | 详情 |
|---|---|
| 页数限制 | 只能访问任何文档的前 3 页 |
| 时限 | 评估期——功能在设定时长后过期 |
在此约束内，其余 Pro 功能均可正常使用，便于在购买许可前完成原型验证。
常见问题深度解析
数据会发送到云端吗？
不会。PyMuPDF 完全本地运行：它是基于 MuPDF C 引擎的原生 Python 库，pymupdf.open()、page.get_text()、page.find_tables()等全部调用都在本机进程内执行，不传输任何数据。开源 AGPL 版本与商业版本都没有遥测调用、许可证校验回调或任何云依赖；安装完成后可完全在离线（air-gapped）环境运行。唯一需要联网的是最初的pip install。
因此 PyMuPDF 适合：医疗（HIPAA）、金融、法律、政府等受监管行业；无出站网络的内网部署；涉密环境；自托管 RAG 流水线（本地处理机密文档后再送入本地 LLM）；以及在数据送入 LLM 前进行预处理以节省 Token 成本。
应该import pymupdf还是import fitz？
推荐import pymupdf。fitz是历史遗留别名，v1.24.0+ 仍然可用（仓库中 src/fitz___init__.py 与 src/pymupdf.py 即为此兼容层），但新代码应统一使用pymupdf：
import pymupdf # 推荐 # import fitz # 旧别名——仍可用，但新代码不建议支持韩文、日文、中文文档吗？
支持。PyMuPDF 具备可靠的 CJK 支持。从构建层面看，setup.py 在编译 MuPDF 时会通过预定义宏TOFU_CJK_EXT强制启用 CJK 扩展字体（Unix 下通过XCFLAGS/XCXXFLAGS注入，Windows 下写入 MuPDF 的config.h），确保中文、日文、韩文内容的正确渲染与提取。
如何为 LLM 从 PDF 提取 Markdown？
交给 PyMuPDF4LLM（RAG 推荐方案）。它是高层封装：跨页输出统一 Markdown 字符串，表格被检测后转为 GitHub 兼容 Markdown 并与正文按正确阅读顺序交错：
import pymupdf4llm md = pymupdf4llm.to_markdown("report.pdf") print(md) # 表格以 | col1 | col2 | ... 形式内联在文本中文本提取出现乱码或空输出？
通常是 PDF 使用了没有字符映射表（CMAP）的自定义字体编码——字形存在，但无法映射回 Unicode。此时：
- 用 OCR 兜底（
page.get_textpage_ocr()）； - 注意：扫描版 PDF 本身没有文本层，提取必然为空，需要 OCR。
如何只提取页面某一区域的内容？
给get_text()传clip矩形：
import pymupdf doc = pymupdf.open("input.pdf") page = doc[0] # 指定区域（x0, y0, x1, y1），单位为点 clip = pymupdf.Rect(50, 100, 400, 300) text = page.get_text("text", clip=clip)如何搜索文本并获取其位置？
import pymupdf doc = pymupdf.open("input.pdf") page = doc[0] # 返回每个匹配周围的 Rect 对象列表 locations = page.search_for("invoice number") for rect in locations: print(rect) # 例如 Rect(72.0, 120.5, 210.0, 134.0)get_images明明能看到图表却不返回图片？
matplotlib、Excel、R 等工具生成的图表通常是矢量图形（PDF 绘图指令），而非位图。get_images只列出内嵌位图对象，不会检测矢量图形。如需捕获这类内容，用page.get_pixmap()整页栅格化。
OCR 如何工作？需要单独安装 Tesseract 吗？
PyMuPDF 使用 MuPDF 内置的 Tesseract 集成，因此 Python 层没有pytesseract依赖；但仍需要Tesseract 语言数据文件（tessdata）。若未显式提供 tessdata 路径，自动发现机制可能调用tesseract可执行文件（例如枚举可用语言）。推荐做法：安装 Tesseract 以便自动发现，或通过tessdata参数 /TESSDATA_PREFIX环境变量显式配置 tessdata 位置。支持超过 100 种语言。
import pymupdf doc = pymupdf.open("scanned.pdf") page = doc[0] # 用 OCR 获得文本页 tp = page.get_textpage_ocr(language="eng") text = page.get_text(textpage=tp) print(text)如何 OCR 一个独立图片文件（非 PDF）？
import pymupdf pix = pymupdf.Pixmap("image.png") if pix.alpha: pix = pymupdf.Pixmap(pix, 0) # 移除 alpha 通道——OCR 必需 # 包成单页 PDF 再 OCR doc = pymupdf.open() page = doc.new_page(width=pix.width, height=pix.height) page.insert_image(page.rect, pixmap=pix) tp = page.get_textpage_ocr() text = page.get_text(textpage=tp)如何高亮文本？
import pymupdf doc = pymupdf.open("input.pdf") page = doc[0] # 非水平文本用 quads=True 获得精确高亮 quads = page.search_for("important term", quads=True) page.add_highlight_annot(quads) doc.save("highlighted.pdf")PyMuPDF 支持全部标准 PDF 文本标记：高亮、下划线、删除线、波浪线。
如何永久删除（密文化）PDF 内容？
密文删除是刻意设计的两步流程，便于提交前复查：
import pymupdf doc = pymupdf.open("input.pdf") page = doc[0] # 第 1 步：标记待密文化的区域 rect = page.search_for("confidential")[0] page.add_redact_annot(rect, fill=(1, 1, 1)) # 白色填充 # 第 2 步：应用——永久移除底层内容 page.apply_redactions() doc.save("redacted.pdf")apply_redactions()之后，原始内容已被移除，无法从保存的文件中恢复。相关实现见 src/init.py（add_redact_annot）与 src/init.py（apply_redactions）。
如何读取 PDF 表单字段值？
import pymupdf doc = pymupdf.open("form.pdf") page = doc[0] for field in page.widgets(): print(f"{field.field_name}: {field.field_value}")page.widgets()（src/init.py）遍历页面上的 AcroForm 控件。
如何程序化填写 PDF 表单？
import pymupdf doc = pymupdf.open("form.pdf") page = doc[0] for field in page.widgets(): if field.field_name == "First Name": field.field_value = "Ada" field.update() doc.save("filled_form.pdf")可以使用多线程吗？
不可以。PyMuPDF 不支持多线程使用，即使在 Python 较新的自由线程（free-threading）模式下亦然。底层 MuPDF 只提供部分线程安全，而一个完全线程安全的 PyMuPDF 实现仍会引入单线程开销，得不偿失。事实上，src/init.py 在导入时即调用mupdf.reinit_singlethreaded()明确进入单线程模式。
请改用多进程：每个进程独立打开文件，各自处理自己的页面区间：
from multiprocessing import Pool import pymupdf def process_pages(args): path, start, end = args doc = pymupdf.open(path) # 每个进程持有自己的句柄 results = [] for i in range(start, end): results.append(doc[i].get_text()) return results with Pool(4) as pool: chunks = [("input.pdf", 0, 25), ("input.pdf", 25, 50), ...] all_results = pool.map(process_pages, chunks)仓库 tests/test_threads.py 也印证了线程相关的约束边界。
如何加速同一页面的重复文本提取？
复用TextPage对象。创建TextPage是开销最大的环节，一旦创建，在不同提取格式间切换的成本很低：
import pymupdf page = doc[0] tp = page.get_textpage() # 只创建一次 text = page.get_text("text", textpage=tp) words = page.get_text("words", textpage=tp) data = page.get_text("dict", textpage=tp)对于同一页面的重复提取，这可将执行时间降低约 50–95%。
如何读写 PDF 元数据？
import pymupdf doc = pymupdf.open("input.pdf") # 读取 print(doc.metadata) # {'title': '...', 'author': '...', 'subject': '...', 'keywords': '...', ...} # 写入 doc.set_metadata({ "title": "Annual Report 2025", "author": "Finance Team", "keywords": "annual, finance, 2025" }) doc.save("output.pdf")如何读写目录/书签？
import pymupdf doc = pymupdf.open("input.pdf") # 读取——返回 [级别, 标题, 页码] 列表 toc = doc.get_toc() for level, title, page in toc: print(" " * level, title, "→ page", page) # 写入 new_toc = [ [1, "Introduction", 1], [1, "Methods", 5], [2, "Data sources", 6], ] doc.set_toc(new_toc) doc.save("output.pdf")性能特征与适用场景
PyMuPDF 构建于 MuPDF 之上——业界最快的 PDF 渲染引擎之一。README 中引用的典型基准显示，与纯 Python PDF 库相比，文本提取有10–50 倍的速度提升，页面渲染可达100 倍以上，且内存占用极小（此类对比数据来自外部基准，具体数值依文档类型与硬件而异，建议自行以代表性样本验证）。对于 AI 负载，PyMuPDF4LLM无需 GPU即可完成文档预处理，相对基于视觉模型的 LLM 方案可显著降低基础设施成本。
结合前述“完全本地运行”“无强制依赖”“CJK 支持完善”“单线程/多进程模型”等特性，PyMuPDF 特别适合：大规模批量文本/表格抽取、文档归档与格式转换、扫描件 OCR 流水线、PDF 表单自动化、以及 RAG 前的文档清洗与结构化。
深入学习资源
本仓库包含完整的配套资料，可按需深入：
- API 参考与教程：docs/ 目录下有完整的 reStructuredText 文档集，包括 classes.rst（类总览）、page.rst（页面 API）、document.rst（文档 API）、table 相关（表格）、annot.rst（注释）、pixmap.rst（像素图）等；
- 安装指南：docs/installation.rst；
- Cookbook / 主题配方：docs/recipes-text.rst、docs/recipes-annotations.rst、docs/recipes-ocr.rst、docs/recipes-images.rst 等；
- 变更日志：changes.txt；
- 完整示例脚本：docs/samples/ 下的可运行 Python 文件，例如 quickfox.py（基础渲染）、text-lister.py（文本提取）、table01.py（表格）、annotations-ink.py（注释）；
- 测试用例：tests/ 目录包含覆盖文本提取、表格、注释、表单、加密、几何、OCR 等的回归测试，是理解 API 边界的最佳教材，如 test_textextract.py、test_tables.py、test_annots.py；
- 从源码构建：setup.py 的头部注释完整记载了构建流程与全部
PYMUPDF_SETUP_*环境变量。
许可说明
PyMuPDF 与 MuPDF 由 Artifex Software 维护。本仓库开源版本采用GNU AGPL v3许可（见 COPYING），对开源项目免费；专有应用可向 Artifex 申请独立商业许可。选择许可前请结合自身分发模式评估 AGPL 的传染性条款。
- 图像处理
【免费下载链接】PyMuPDF
PyMuPDF is a high performance Python library for data extraction, analysis, conversion & manipulation of PDF (and other) documents.
相关推荐
BentoPDF EPUB 转 PDF 浏览器端转换指南：PyMuPDF 引擎、批量处理与隐私保障
BentoPDF EPUB 转 PDF 浏览器端转换指南：PyMuPDF 引擎、批量处理与隐私保障 EPUB 是数字图书的开放标准格式，但当需要打印、批注或与没
前端Skill_Seekers PDF 提取器详解：基于 PyMuPDF 的文档转技能 POC 架构与实现
Skill_Seekers PDF 提取器详解：基于 PyMuPDF 的文档转技能 POC 架构与实现 本文以 Skill_Seekers 仓库中 PDF_EX
人工智能AI 应用AI 技能RAGMCP 服务网页爬虫BentoPDF PDF 转 Excel 指南：基于 PyMuPDF 与 SheetJS 的纯浏览器表格提取方案
BentoPDF PDF 转 Excel 指南：基于 PyMuPDF 与 SheetJS 的纯浏览器表格提取方案 本文围绕 BentoPDF（The Priva
前端
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
