PyMuPDF：这个 Python 库，把 PDF 所有操作都覆盖了

PyMuPDF：这个 Python 库，把 PDF 所有操作都覆盖了

PyMuPDF 在 GitHub 上已经拿到 9,757 Star 了。

Artifex 公司维护的 Python 绑定库，底层跑的是 MuPDF 引擎。PDF、XPS、EPUB、CBZ 这些文档格式，加上 PNG、JPG 等 10 种图片格式，全部能当文档来操作。

1、它到底能做什么

先搞清楚它的位置：PyMuPDF 不是从头写的 Python PDF 库，而是给 MuPDF 这个 C 渲染引擎加了一层 Python 绑定。MuPDF 由 Artifex 开发，出名的是渲染质量和速度，2022 年 8 月发了 1.21.0 版本。

对所有文档类型均可执行的操作：

• 解密文档
• 读取元信息、链接和书签
• 页面渲染为 PNG 或 SVG
• 文本搜索
• 提取文本和图片
• 格式转换：PDF、HTML、XML、JSON、纯文本
• 配合 Tesseract 实现 OCR

列表不长，但已覆盖了文档处理的大部分环节。渲染和提取这两个能力放在一个库里，意味着你不用再分别装 PDF 查看器和文本提取工具。

2、PDF 场景下，能做的不止阅读

如果处理对象是 PDF，能力还会扩大一圈：

• 创建、合并、拆分 PDF
• 插入、删除、重排页面
• 修改页面内容，含注释和表单字段
• 提取或插入图片、字体
• 字体子集化，缩小新建 PDF 的文件体积（需装 fontTools）
• 对嵌入式文件的完全支持
• 双面打印排版、海报化、添加水印
• 密码保护：解密、加密、权限设置、用户/所有者密码
• 访问和修改底层 PDF 结构

跟纯读写的 PDF 库不同，PyMuPDF 在修改和创建这两条线上都给到了接口。你可以在一个库里完成从读、改、写到输出的闭环。

仓库还内置了命令行入口：python -m fitz，能在终端完成加密解密、合并文档、提取图片字体、保留版式的文本提取。不需要每次写脚本才能用。

另外值得提的是它和 PIL/Pillow 的对接很顺畅。在文档流水线里，PyMuPDF 可以当中间层处理图片格式转换，读入多种格式，输出 PNG、PNM、PAM、PostScript 或 Photoshop 格式。这意味着你不用为图片中间处理再引入额外的图形库。

官方仓库提供了 demo 脚本、完整示例程序和 Jupyter notebook。其中有一个 GUI 脚本，能让你以可视化的方式对 PDF 中的图片进行插入、删除、替换和重定位。

3、安装不折腾

没有强制性外部依赖。Python 3.7 及以上即可。

pipinstall--upgradepip pipinstall--upgradepymupdf

预编译 wheel 覆盖 Windows（32/64 位）、Linux（64 位 Intel 和 ARM）、macOS（64 位 Intel）。如果 pip 在本平台找不到匹配的 wheel，会从源码编译，只要求系统装了 SWIG。

几个可选增强：

• Pillow：直接用 pillow 做图片输出
• fontTools：字体子集化，新建 PDF 时显著缩小体积
• pymupdf-fonts：提供字体用于文本输出
• Tesseract-OCR：OCR 能力，需单独安装 Tesseract 并设TESSDATA_PREFIX环境变量

4、适合什么场景

• 自动化文档处理流程，用 PyMuPDF 替代多个工具的串联。比如批量提取 PDF 中的图片和文字，一个库打通
• 从 PDF 中提取结构化数据，它的文本提取默认保留版式，不像某些方案输出结果是打乱的
• 做文档转换管线，支持的输入输出格式够广
• PDF 生成、合并、拆分、加水印这类运维脚本
• 需要 OCR 的文档数字化项目
• 对图片做格式转换，不想引入额外图形库的场景

5、许可和注意事项

PyMuPDF 使用 AGPL 开源协议。用于商业项目时，要评估 AGPL 对衍生代码的要求。AGPL 的 copyleft 范围比 MIT 或 Apache 更大，如果你的产品是闭源的，需要确认合规。如果 AGPL 与你的使用场景有冲突，Artifex 提供商业许可。

这个库从 2016 年起就在 PyPI 上持续维护，文档用 Sphinx 生成，托管在 Read the Docs，含教程和 FAQ 章节。遇到问题可以通过 Discussions 和 Issues 找维护者。

，文档用 Sphinx 生成，托管在 Read the Docs，含教程和 FAQ 章节。遇到问题可以通过 Discussions 和 Issues 找维护者。