博客搬运流程
作者：互联网
博客搬运流程
看到一些不错的公众号文章，想把它们复制过来，但是直接复制会有问题。所以搞了个操作来实现。
首先把文章按打印导出为PDF，再通过一个PDF2Html的一段代码转到html，把生成的html贴到博客园后台编辑器里，就可以实现啦！
PDF2Html代码如下:
首先得pip install PyMuPDF
import fitz
filename = r'C:\Users\Liang\Desktop\xxx.pdf'
doc = fitz.open(filename)
page_nums = doc.page_count
print(page_nums)
#exit()
with open('output.html', 'w') as f:
for i in range(page_nums):
page = doc.load_page(i)
#page = doc[:]
text = page.get_text("html") #opt:{"text","html"}
f.write(text)
f.close()
print('Finsh!')
另外提一下，PyMuPDF是真好用，真强大，下面是其教程：
Python处理PDF——PyMuPDF的安装与使用！
收录于合集
#Python人工智能技术
361个
点击上方 "Python人工智能技术" 关注，星标或者置顶
22点24分准时推送，第一时间送达
后台回复“大礼包”，送你特别福利
编辑：乐乐 | 来自：网络
Pythn人工智能技术(ID:coder_experience)第816期推文
上一篇：7个实用的Python自动化代码，别再重复造轮子了！
正文
大家好，我是Python人工智能技术
PyMuPDF简介
1. 介绍
在介绍PyMuPDF之前，先来了解一下MuPDF，从命名形式中就可以看
出，PyMuPDF是MuPDF的Python接口形式。
Java就该这么学
专注于Java领域分享，不限于BAT面试、算法、数据库、Spring Boot、微服务、…
4篇原创内容
公众号
2022-05-16 22:44 发表于浙江
Python人工智能技术
MuPDF
MuPDF 是一个轻量级的 PDF、XPS和电子书查看器。MuPDF 由软件库、命令行工
具和各种平台的查看器组成。
MuPDF 中的渲染器专为高质量抗锯齿图形量身定制。它以精确到像素的几分之一内
的度量和间距呈现文本，以在屏幕上再现打印页面的外观时获得最高保真度。
这个观察器很小，速度很快，但是很完整。它支持多种文档格式，如PDF、XPS、
OpenXPS、CBZ、EPUB和FictionBook 2。您可以使用移动查看器对PDF文档进
行注释和填写表单(这个功能很快也将应用于桌面查看器)。
命令行工具允许您注释、编辑文档，并将文档转换为其他格式，如HTML、SVG、
PDF和CBZ。您还可以使用Javascript编写脚本来操作文档。
PyMuPDF
PyMuPDF(当前版本1.18.17)是支持MuPDF(当前版本1.18.*)的
Python绑定。
使用PyMuPDF，你可以访问扩展名为
“.pdf ”、“.xps”、“.oxps”、“.cbz”、“.fb2”或“.epub”。
此外，大约10种流行的图像格式也可以像文档一样处理
:“.png”，“.jpg”，“.bmp”，“.tiff ”等。
2. 功能
对于所有支持的文档类型可以：
解密文件 - 访问元信息、链接和书签 - 以栅格格式（PNG和其他格式）或矢量格式
SVG呈现页面 - 搜索文本 - 提取文本和图像 - 转换为其他格式：PDF, (X)HTML,
XML, JSON, text 对于PDF文档，存在大量的附加功能:它们可以创建、合并或拆
分。页面可以通过多种方式插入、删除、重新排列或修改(包括注释和表单字段)。-
可以提取或插入图像和字体 - 完全支持嵌入式文件 - pdf文件可以重新格式化，以
支持双面打印，色调分离，应用标志或水印 - 完全支持密码保护:解密、加密、加密
方法选择、权限级别和用户/所有者密码设置 - 支持图像、文本和绘图的 PDF 可选
内容概念 - 可以访问和修改低级 PDF 结构
命令行模块"python -m fitz…"具有以下特性的多功能实用程序
加密/解密/优化- 创建子文档- 文档连接- 图像/字体提取- 完全支持嵌入式文件- 保
存布局的文本提取(所有文档) **新:布局保存文本提取!** 脚本`fitzcliy .py`通过子命
令`“gettext”`提供不同格式的文本提取。特别有趣的当然是布局保存，它生成的文本
尽可能接近原始物理布局，周围有图像的区域，或者在表格和多列文本中复制文本。
02
安装
PyMuPDF可以从源码安装，也可以从wheels安装。
对于Windows, Linux和Mac OSX平台，在PyPI的下载部分有wheels。这包括
Python 64位版本3.6到3.9。Windows版本也有32位版本。从最近开始，Linux
ARM架构也出现了一些问题——查找平台标签manylinux2014_aarch64。
除了标准库，它没有强制性的外部依赖项。只有在安装了某些包时，才会有一些不错
的方法:
Pillow：当使用Pixmap.pil_save()和
Pixmap.pil_tobytes()时需要
- fontTools：当使用Document.subset_fonts()时需要- pymupdf-fonts 是一
个不错的字体选择，可以用于文本输出方法使用pip安装命令：
pip install PyMuPDF
导入库：
关于命名fitz的说明
这个库的标准Python导入语句是impor t fitz。这是有历史原因的: MuPDF的原始
渲染库被称为Libar t。
在Ar tifex软件获得MuPDF项目后，开发的重点转移到编写一种新的现代图形图书馆
称为“Fitz”。Fitz最初是作为一个研发项目，以取代老化的Ghostscript图形库，但
却成为了MuPDF的渲染引擎(引用自维基百科)。
03
使用方法
1. 导入库，查看版本
1
import fitz
1
2
3
4
5
import fitz
print(fitz.__doc__)
PyMuPDF 1.18.16: Python bindings for the MuPDF 1.18.0 library.
Version date: 2021-08-05 00:00:01.
Built for Python 3.8 on linux (64-bit).
2. 打开文档
这将创建Document对象doc。文件名必须是一个已经存在的文件的python字符
串。也可以从内存数据打开文档，或创建新的空PDF。您还可以将文档用作上下文管
理器。
3. Document的方法和属性
|方法/属性|描述
|------
|Document.page_count|页数
(int)
|Document.metadata|元数据 (dict) |Document.get_toc()|获取目录 (list)
|Document.load_page()|读取页面
示例：
4. 获取元数据
1
doc = fitz.open(filename)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
>>> doc.count_page
1
>>> doc.metadata
{<!-- -->'format': 'PDF 1.7',
'title': '',
'author': '',
'subject': '',
'keywords': '',
'creator': '',
'producer': '福昕阅读器PDF打印机 版本 10.0.130.3456',
'creationDate': "D:20210810173328+08'00'",
'modDate': "D:20210810173328+08'00'",
'trapped': '',
'encryption': None}
PyMuPDF完全支持标准元数据。Document.metadata是一个具有以下键的
Python字典。它适用于所有文档类型，但并非所有条目都始终包含数据。元数据字
段为字符串，如果未另行指示，则为无。还要注意的是，并非所有数据都始终包含有
意义的数据——即使它们不是一个都没有。另外，搜索公众号Linux就该这样学后台
回复“git书籍”，获取一份惊喜礼包。
|Key|Value
|------
|producer|producer
(producing
sof tware)
|format|format: ‘PDF-1.4’, ‘EPUB’, etc. |encr yption|encr yption method
used if any |author|author |modDate|date of last modification
|keywords|keywords
|title|title
|creationDate|date
of
creation
|creator|creating application |subject|subject
5. 获取目标大纲
6. 页面(Page)
页面处理是MuPDF功能的核心。• 您可以将页面呈现为光栅或矢量（SVG）图像，可
以选择缩放、旋转、移动或剪切页面。• 您可以提取多种格式的页面文本和图像，并
搜索文本字符串。• 对于PDF文档，可以使用更多的方法向页面添加文本或图像。
首先，必须创建一个页面Page。这是Document的一种方法：
这里可以使用任何整数-inf<pno<page_count。负数从末尾开始倒数，所以
doc[-1]是最后一页，就像Python序列一样。
1
toc = doc.get_toc()
1
2
page = doc.load_page(pno) # loads page number 'pno' of the document (0-
based)
page = doc[pno] # the short form
更高级的方法是将文档用作页面的迭代器：
接下来，主要介绍Page的常用操作！
a. 检查页面的链接、批注或表单字段
使用某些查看器软件显示文档时，链接显示为==“热点区域”==。如果您在光标显示
手形符号时单击，您通常会被带到该热点区域中编码的标记。以下是如何获取所有链
接：
links是一个Python字典列表。
牛逼啊！接私活必备的 N 个开源项目！
还可以作为迭代器使用：
1
2
3
4
5
6
7
8
9
10
for page in doc:
# do something with 'page'
# ... or read backwards
for page in reversed(doc):
# do something with 'page'
# ... or even use 'slicing'
for page in doc.pages(start, stop, step):
# do something with 'page'
1
2
# get all links on a page
links = page.get_links()
如果处理PDF文档页面，还可能存在注释（Annot）或表单字段（Widget），每个
字段都有自己的迭代器：
b. 呈现页面
此示例创建页面内容的光栅图像：
pix是一个Pixmap对象，它（在本例中）包含页面的RGB图像，可用于多种用途。
方法Page.get_pixmap()提供了许多用于控制图像的变体：分辨率、颜色空间（例
如，生成灰度图像或具有减色方案的图像）、透明度、旋转、镜像、移位、剪切等。
例如：创建RGBA图像（即，包含alpha通道），指定
pix=page.get_pixmap（alpha=True）。\
Pixmap包含以下引用的许多方法和属性。其中包括整数宽度、高度（每个像素）和
跨距（一个水平图像行的字节数）。属性示例表示表示图像数据的矩形字节区域
（Python字节对象）。
1
2
for link in page.links():
# do something with 'link'
1
2
3
4
5
for annot in page.annots():
# do something with 'annot'
for field in page.widgets():
# do something with 'field'
1
pix = page.get_pixmap()
还可以使用page.get_svg_image()创建页面的矢量图像。
c. 将页面图像保存到文件中
我们可以简单地将图像存储在PNG文件中：
d. 提取文本和图像
我们还可以以多种不同的形式和细节级别提取页面的所有文本、图像和其他信息：
对opt使用以下字符串之一以获取不同的格式：
"text"：（默认）带换行符的纯文本。无格式、无文字位置详细信息、无图像
- "blocks"：生成文本块（段落）的列表- "words"：生成单词列表（不包含空格的
字符串）- "html"：创建页面的完整视觉版本，包括任何图像。这可以通过internet
浏览器显示-
"dict"/"json"：与HTML相同的信息级别，但作为Python字典或
resp.JSON字符串。- "rawdict"/"rawjson"："dict"/"json"的超级集合。它还提
供诸如XML之类的字符详细信息。- "xhtml"：文本信息级别与文本版本相同，但包
含图像。- "xml"：不包含图像，但包含每个文本字符的完整位置和字体信息。使用
XML模块进行解释。
e. 搜索文本
您可以找到某个文本字符串在页面上的确切位置：
1
pix.save("page-%i.png" % page.number)
1
text = page.get_text(opt)
1
areas = page.search_for("mupdf")
这将提供一个矩形列表，每个矩形都包含一个字符串“mupdf ”（不区分大小写）。您
可以使用此信息来突出显示这些区域（仅限PDF）或创建文档的交叉引用。
7. PDF操作
PDF是唯一可以使用PyMuPDF修改的文档类型。其他文件类型是只读的。
但是，您可以将任何文档（包括图像）转换为PDF，然后将所有PyMuPDF功能应用
于转换结果,Document.conver t_to_pdf()。
Document.save()始终将PDF以其当前（可能已修改）状态存储在磁盘上。
通常，您可以选择是保存到新文件，还是仅将修改附加到现有文件（“增量保存”），
这通常要快得多。扩展：接私活儿
下面介绍如何操作PDF文档。
a. 修改、创建、重新排列和删除页面
有几种方法可以操作所谓页面树（描述所有页面的结构）：
PDF:Document.delete_page()和Document.delete_pages()删除页面
-Document.copy_page()、Document.fullcopy_page()和
Document.move_page()将页面复制或移动到同一文档中的其他位置。
Document.select()将PDF压缩到选定页面，参数是要保留的页码序列。这些整数都
必须在0<=i<page_ count范围内。执行时，此列表中缺少的所有页面都将被
删除。剩余的页面将按顺序出现，次数相同（！）正如您所指定的那样。因此，您可
以轻松地使用创建新的PDF：
第一页或最后10页- 仅奇数页或偶数页（用于双面打印）- 包含或不包含给定文本的
页- 颠倒页面顺序
保存的新文档将包含仍然有效的链接、注释和书签（i.a.w.指向所选页面或某些外部资
源）。
Document.inser t_page()和Document.new_page()插入新页面。此外，页面本
身可以通过一系列方法进行修改（例如页面旋转、注释和链接维护、文本和图像插
入）。
b. 连接和拆分PDF文档
方法Document.inser t_pdf()在不同的pdf文档之间复制页面。下面是一个简单的
joiner示例（doc1和doc2在PDF中打开）：
下面是一个拆分doc1的片段。它将创建第一页和最后10页的新文档：
c. 保存
Document.save()将始终以当前状态保存文档。
您可以通过指定选项incremental=True将更改写回原始PDF。这个过程（通常）非
常快，因为更改会附加到原始文件，而不会完全重写它。
d. 关闭
1
2
# append complete doc2 to the end of doc1
doc1.insert_pdf(doc2)
1
2
3
4
doc2 = fitz.open() # new empty PDF
doc2.insert_pdf(doc1, to_page = 9) # first 10 pages
doc2.insert_pdf(doc1, from_page = len(doc1) - 10) # last 10 pages
doc2.save("first-and-last-10.pdf")
在程序继续运行时，通常需要“关闭”文档以将底层文件的控制权交给操作系统。
这可以通过Document.close()方法实现。除了关闭基础文件外，还将释放与文档关
联的缓冲区。
你还有什么想要补充的吗？
免责声明：本文内容来源于网络，文章版权归原作者所有，意在传播相关技术知识&行业趋势，供大家学习交流，
若涉及作品版权问题，请联系删除或授权事宜。
技术君个人微信
添加技术君个人微信即送一份惊喜大礼包
→ 技术资料共享
→ 技术交流社群
--END--
往日热文：
看看人家那物业管理系统，那叫一个优雅（附源码）
一款神仙接私活儿软件，吊到不行！
保姆级别！带你搭建一台服务器！
一个很酷的博客系统
突发：杭州一工程师因离职纠纷把公司炸了..!
一些你可能不知道的 Python 小技巧
Linux的10个最危险命令
揭秘 Python 中的 with 关键字
看看人家那云建站系统，那叫一个优雅！
Python爬取天气数据及可视化分析！
标签：Python,流程,博客,文档,搬运,PDF,Document,page,页面 来源： https://www.cnblogs.com/lwp-nicol/p/16313060.html