使用mupdf处理PDF中的图片
将获取文档文件名并从其每个页面生成一个 PNG 文件。
文档可以是任何受支持的类型，如 PDF、XPS 等。
该脚本用作命令行工具，需要将文件名作为参数提供。生成的图像文件（每页 1 个）存储在脚本的目录中：
脚本目录现在将包含名为page-0.png、page-1.png等的 PNG 图像文件。图片具有页面尺寸，宽度和高度四舍五入为整数，例如，A4 纵向尺寸页面为 595 x 842 像素. 它们在 x 和 y 维度上的分辨率为 96 dpi，并且没有透明度。你可以改变这一切——关于如何做到这一点，请阅读下一节。
如何增加图像分辨率
文档页面的图像由 Pixmap 表示，创建像素图的最简单方法是通过方法 Page.get_pixmap()。
此方法有许多选项会影响结果。其中最重要的是矩阵，它可以让你缩放、旋转、扭曲或镜像结果。
Page.get_pixmap()默认情况下将使用单位矩阵，它什么也不做。
下面，我们应用一个每个维度的缩放因子为 2，这将为我们生成分辨率提高四倍的图像（大小也是大约 4 倍）：
从版本 1.19.2 开始，有一种更直接的方法来设置分辨率："dpi"可以使用参数（每英寸点数）代替"matrix". 要创建页面的 300 dpi 图像，请指定. 除了符号简洁之外，这种方法还有一个额外的优点，即dpi 值与图像文件一起保存——这在使用矩阵符号时不会自动发生。pix = page.get_pixmap(dpi=300)
如何创建部分像素图（剪辑）
并不总是需要或想要页面的完整图像。例如，当您在 GUI 中显示图像并希望用页面的缩放部分填充相应窗口时就是这种情况。
假设您的 GUI 窗口有足够的空间来显示完整的文档页面，但您现在想用页面的右下四分之一填充这个空间，从而使用四倍更好的分辨率。
为此，定义一个等于您希望在 GUI 中显示的区域的矩形，并将其称为“剪辑”。在 PyMuPDF 中构造矩形的一种方法是提供两个对角相对的角，这就是我们在这里所做的。
在上面我们通过指定两个对角线相对的点来构造剪辑：页面矩形的中点mp和它的右下角rect.br。
如何将剪辑缩放到 GUI 窗口
这次我们要计算剪辑的缩放系数，使其图像最适合给定的 GUI 窗口。这意味着图像的宽度或高度（或两者）将等于窗口尺寸。对于以下代码片段，您需要提供应该接收页面剪辑矩形的 GUI 窗口的宽度和高度。
在这种情况下，我们有zoom = HEIGHT/clip.height = WIDTH/clip.width，所以我们必须设置clip.height = HEIGHT/zoom和，clip.width = WIDTH/zoom。
选择页面上剪辑的左上角点tl来计算右侧像素图：
如何创建或删除注释图像
通常情况下，一个页面的像素图也会显示该页面的注释。偶尔，这可能是不可取的。
要抑制渲染页面上的注释图像，只需在Page.get_pixmap()中指定annots=False。
你也可以单独渲染注释：它们有自己的Annot.get_pixmap()方法。得到的像素图与注释矩形的尺寸相同。
如何提取图像：非 PDF 文档
与前面的部分不同，本部分涉及提取文档中包含的图像，因此它们可以显示为一页或多页的一部分。
如果你想以文件形式或作为内存区域重新创建原始图像，你基本上有两个选择：
将文档转换为 PDF，然后使用其中一种仅限 PDF 的提取方法。此代码段会将文档转换为 PDF：
Page.get_text()与“dict”参数一起使用。这适用于所有文档类型。它将提取页面上显示的所有文本和图像，格式化为 Python 字典。每个图像都将出现在一个图像块中，包含元信息和二进制图像数据。有关字典结构的详细信息，请参阅TextPage。该方法同样适用于 PDF 文件。这将创建页面上显示的所有图像的列表：
如何提取图像：PDF 文档
xref与 PDF 中的任何其他“对象”一样，图像由交叉引用编号（整数）标识。如果你知道这个数字，你有两种方法来访问图像的数据：
使用指令pix = fitz.Pixmap(doc, xref)创建图像的像素图。这种方法非常快（单位数微秒）。像素图的属性（宽度、高度……）将反映图像的属性。在这种情况下，无法判断嵌入的原件具有哪种图像格式。
使用img = doc.extract_image(xref)提取图像。这是一个包含二进制图像数据的字典img[“image”]。还提供了许多元数据——大部分与您在图像的像素图中找到的相同。主要区别在于字符串img[“ext”]，它指定图像格式：除了“png”之外，还可以出现“jpeg”、“bmp”、“tiff”等字符串。如果要存储到磁盘，请使用此字符串作为文件扩展名。此方法的执行速度应与语句pix = fitz.Pixmap(doc, xref);pix.tobytes()的组合速度进行比较。如果嵌入的图像是PNG格式，速度
Document.extract_image()大致相同（并且二进制图像数据相同）。否则，这种方法要快上千倍，而且图像数据要小得多。
问题仍然存在：“我怎么知道那些‘外部参照’图像的数量？” . 对此有两个答案：
“检查页面对象：”循环遍历
Page.get_images(). 它是一个列表的列表，它的项目看起来像[xref, smask, …]，包含xref图像的。然后可以将其xref与上述方法之一一起使用。将此方法用于有效（未损坏）的文档。但是请注意，同一图像可能会被多次引用（由不同的页面），因此您可能希望提供一种避免多次提取的机制。“不需要知道：”循环遍历文档的所有外部参照列表并
Document.extract_image()为每个外部参照执行一个。如果返回的字典为空，则继续——这xref不是图像。如果 PDF 已损坏（无法使用的页面），请使用此方法。请注意，PDF 通常包含“伪图像”（“模板掩码”），其特殊目的是定义其他图像的透明度。您可能希望提供逻辑以将那些排除在提取之外。另请参阅下一节。
如何处理图像遮罩
PDF 中的某些图像带有图像遮罩。在最简单的形式中，蒙版表示存储为单独图像的 alpha（透明度）字节。为了重建具有掩码的图像的原始图像，必须使用从其掩码中提取的透明度字节来“丰富”它。
在 PyMuPDF 中，可以通过以下两种方式之一识别图像是否具有此类掩码：
Document.get_page_images()的一个项目具有一般的格式(xref, smask, ...)，其中xref是图像的xref，smask如果是正数，那么它就是一个掩码的xref。
Document.extract_image()的（字典）结果有一个键 "smask"，如果是正数，它也包含任何掩码的xref。
如果smask == 0那么 via 遇到的图像xref可以原样处理。
要使用 PyMuPDF 恢复原始图像，必须执行如下描述的过程：
步骤 (1) 创建基本图像的像素图。步骤 (2) 对图像蒙版执行相同的操作。步骤 (3) 添加一个 alpha 通道并用透明度信息填充它。
如何将所有图片（或文件）制作成一个 PDF
我们在这里展示了三个脚本，它们获取（图像和其他）文件列表并将它们全部放在一个 PDF 中。
方法 1：将图像作为页面插入
第一个将每个图像转换为具有相同尺寸的 PDF 页面。结果将是一个 PDF，每个图像一页。它仅适用于支持的图像文件格式：
这将生成仅略大于组合图片大小的 PDF。关于性能的一些数字：
上面的脚本在我的机器上需要大约 1 分钟的时间来处理 149 张总大小为 514 MB 的图片（生成的 PDF 大小大致相同）。
我们可能使用了Page.insert_image()而不是Page.show_pdf_page()，结果将是一个外观相似的文件。但是，根据图像类型，它可能会存储未压缩的图像。因此，必须使用保存选项deflate = True来获得合理的文件大小，这会大大增加大量图像的运行时间。所以这里不推荐这个替代方案。
方法二：嵌入文件
第二个脚本嵌入任意文件——不仅仅是图像。由于技术原因，生成的 PDF 将只有一个（空）页面。要稍后再次访问嵌入文件，您需要一个合适的 PDF 查看器来显示和/或提取嵌入文件：
这是迄今为止最快的方法，而且它还能生成尽可能小的输出文件。上面的图片在我的机器上需要 20 秒，生成的 PDF 大小为 510 MB。
方法 3：附加文件
完成此任务的第三种方法是通过页面注释附加文件。
这与之前的脚本具有相似的性能，并且生成的文件大小也相似。它将生成 PDF 页面，其中为每个附加文件显示一个“FileAttachment”图标。
embed和attach方法都可以用于任意文件——而不仅仅是图像。
强烈建议使用很棒的包PySimpleGUI来显示可能运行较长时间跨度的任务的进度表。它是纯 Python，并且只需要多一行代码！
如何创建矢量图像
从文档页面创建图像的常用方法是Page.get_pixmap(). 像素图表示光栅图像，因此您必须在创建时决定其质量（即分辨率）。以后不能更改。
PyMuPDF 还提供了一种以 SVG 格式（可缩放矢量图形，以 XML 语法定义）创建页面矢量图像的方法。SVG 图像在缩放级别上保持精确（当然，嵌入其中的任何光栅图形元素除外）。
指令svg = page.get_svg_image(matrix=fitz.Identity)提供一个 UTF-8 字符串svg，可以使用扩展名“.svg”存储。
如何转换图像
正如其他功能一样，PyMuPDF的图像转换很容易。在许多情况下，它可能会避免使用其他图形包，如PIL/Pillow。
Input Formats Output Formats Description
BMP . Windows Bitmap
JPEG . Joint Photographic Experts Group
JXR . JPEG Extended Range
JPX/JP2 . JPEG 2000
GIF . Graphics Interchange Format
TIFF . Tagged Image File Format
PNG PNG Portable Network Graphics
PNM PNM Portable Anymap
PGM PGM Portable Graymap
PBM PBM Portable Bitmap
PPM PPM Portable Pixmap
PAM PAM Portable Arbitrary Map
. PSD Adobe Photoshop Document
. PS Adobe Postscript
总体方案仅为以下两条线路：
备注
fitz.Pixmap（arg）的输入参数可以是包含图像的文件或字节/io.BytesIO对象。
可以通过pix.tobytes（“yyy”）创建一个字节对象，而不是输出文件，并将其传递出去。
当然，输入和输出格式必须在颜色空间和透明度方面兼容。
将 JPEG 转换为 Photoshop：
使用 PIL/Pillow保存为 JPEG ：
将JPEG 转换为 Tkinter PhotoImage。任何RGB / no-alpha图像都完全相同。转换为一种便携式 Anymap格式（PPM、PGM 等）就可以了，因为所有 Tkinter 版本都支持它们：
将带有 alpha 的 PNG转换为 Tkinter PhotoImage。这需要删除 alpha 字节，然后我们才能进行 PPM 转换：
如何使用像素图：粘贴图像
这显示了如何将像素图用于纯图形、非文档目的。该脚本读取一个图像文件并创建一个由 3 * 4 个原始图块组成的新图像：
如何使用像素图：制作分形
这是另一个创建Sierpinski’s Carpet 的像素图示例——将Cantor Set推广到二维的分形。给定一张方形carpet，标记它的 9 个小方格（3 乘以 3）并剪下中间的方格。其余八个子方格，每一个都以同样的方式处理，无限继续下去。最终结果是一个面积为零且分形维数为 1.8928 的集合……
该脚本通过缩小到一个像素的粒度，将其近似图像创建为 PNG。要提高图像精度，请更改 n（精度）的值：
如何与 NumPy 交互
这显示了如何从 numpy 数组创建 PNG 文件（比大多数其他方法快几倍）：
如何将图像添加到 PDF 页面
有两种方法可以将图像添加到 PDF 页面：Page.insert_image()和Page.show_pdf_page()。两种方法有共同点，但也有不同点。
基本代码模式Page.insert_image()。如果不重新插入现有图像，则必须给出参数filename / stream / pixmap中的一个：
基本代码模式Page.show_pdf_page()。源 PDF 和目标 PDF 必须是不同的文档对象（但可以从同一文件打开）：
如何使用像素图：检查文本可见性
一段给定的文本在页面上是否实际可见取决于许多因素：
文本未被其他对象覆盖，但可能具有与背景相同的颜色，即白底白字等。
文本可能被图像或矢量图形覆盖。检测这是一项重要的能力，例如发现严重匿名的法律文件。
文本创建为隐藏。OCR 工具通常使用此技术将已识别的文本存储在页面上的不可见层中。
下面展示如何检测上面的情况1，或者情况2，如果覆盖物体是单色的：
方法Pixmap.color_topusage()返回一个元组（比率，像素），其中0<比率<=1，像素是颜色的像素值。请注意，我们只创建一个pixmap一次。如果有多个命中的矩形，这可以节省大量的处理时间。
上述代码的逻辑是：如果针的矩形是（"almost"：>95%）单色的，那么文本就不能被看到。一个典型的可见文本的结果是返回背景的颜色（大部分是白色）和一个大约0.7到0.8的比率，例如（0.685，b'xffxffxff'）。
