别再手动抠数据了!这款Python操作PDF的神器,让你的办公效率原地起飞

前阵子我在家里写脚本，帮我老妈处理她工作上的一大堆文件。在做文档自动化转换的时候，我再次深刻体会到：在所有办公文档里，PDF绝对是最让人头疼的一个。

它不像Excel那样可以直接读取单元格，也不像Word那样结构清晰。想要用代码搞定PDF的文字提取、图片抓取甚至页面合并，如果没有趁手的工具，简直就是一场灾难。

请在微信客户端打开

当时我尝试了好几个主流的库，最后还是回到了 PyMuPDF 的怀抱。说实话，在Python的PDF处理圈子里，如果PyMuPDF排第二，真的很难找出一个能稳拿第一的。它不仅运行速度极快，而且底层基于强大的MuPDF引擎，不管是提取文本、操作图像还是渲染页面，都稳得不可思议。

今天这篇文章，我就带大家把这个库摸透。没有长篇大论的理论，我们直接用流程和代码说话。

整体处理流程

在开始敲代码之前，我们先在脑海里建立一个简单的处理模型。无论你是要提取数据还是修改文件，使用 PyMuPDF 的基本逻辑都非常固定：

graph TD    A[开始运行] --> B[导入 fitz 模块]    B --> C[打开并读取目标PDF文件]    C --> D{你需要做什么操作？}    D -->|提取文字| E[遍历页面对象提取 Text]    D -->|提取图片| F[分析页面的 Image 列表]    D -->|合并拆分| G[操作 Document 对象增删页面]    D -->|加盖水印| H[在页面插入 Text 或图像]    E --> I[保存处理结果]    F --> I    G --> I    H --> I    I --> J[关闭文件，释放内存]

（顺便提一句，虽然这个库叫 PyMuPDF，但在代码里导入的时候，它的名字叫 fitz，这点很容易让新手踩坑，一定要记住。）

核心功能实战代码

废话不多说，我们直接看在实际业务中最常用的几个功能是怎么用代码实现的。准备好你的编辑器，如果你还没有安装，先在终端跑一下

pip install PyMuPDF。

场景一：一键提取文档里的所有纯文本

这是最常见的需求。比如老板丢给你几十个行业报告的PDF，让你把里面的关键数据找出来。如果手动复制粘贴，一天就过去了。用代码只需要几行：

import fitz  # 记得导入的是 fitzdef extract_text_from_pdf(pdf_path):    # 打开PDF文件    doc = fitz.open(pdf_path)    full_text = ""    # 遍历每一页    for page_num in range(doc.page_count):        page = doc.load_page(page_num)        # 提取当前页面的文本        text = page.get_text()        full_text += f"\n--- 第 {page_num + 1} 页 ---\n"        full_text += text    # 记得关闭文件释放资源    doc.close()    return full_text# 测试一下my_pdf = "sample_report.pdf"print(extract_text_from_pdf(my_pdf))

场景二：把PDF里的插图全部“抠”出来

有时候我们需要的不是文字，而是PDF报告里的高清配图。PyMuPDF 可以直接读取到文档底层的图像对象，并把它们还原成独立的图片文件。

import fitzimport osdef extract_images(pdf_path, output_folder):    if not os.path.exists(output_folder):        os.makedirs(output_folder)    doc = fitz.open(pdf_path)    image_count = 0    for page_num in range(len(doc)):        page = doc[page_num]        # 获取当前页面的所有图像列表        image_list = page.get_images(full=True)        for img_index, img in enumerate(image_list):            xref = img[0] # 获取图片的交叉引用号            # 提取图像的原始字节数据            base_image = doc.extract_image(xref)            image_bytes = base_image["image"]            image_ext = base_image["ext"] # 获取图片格式，如png, jpeg            # 拼接保存路径并写入文件            image_filename = f"page{page_num+1}_img{img_index+1}.{image_ext}"            image_filepath = os.path.join(output_folder, image_filename)            with open(image_filepath, "wb") as f:                f.write(image_bytes)            image_count += 1    doc.close()    print(f"提取完成！共搞定 {image_count} 张图片，保存在 {output_folder} 文件夹中。")

场景三：多个PDF文件无缝合并

月底整理发票或者汇总多个部门的报告时，这个脚本极其好用。它可以把多个PDF文件按顺序拼接成一个完整的文件。

import fitzdef merge_pdfs(pdf_list, output_path):    # 创建一个新的空白PDF文档    result_doc = fitz.open()    for pdf in pdf_list:        # 打开需要合并的子文件        with fitz.open(pdf) as doc:            # 将当前文档的所有页面插入到结果文档的末尾            result_doc.insert_pdf(doc)    # 保存最终文件    result_doc.save(output_path)    result_doc.close()    print(f"合并成功！文件已保存为: {output_path}")# 假设我们有三个文件需要合并files_to_merge = ["part1.pdf", "part2.pdf", "part3.pdf"]merge_pdfs(files_to_merge, "final_merged_report.pdf")

场景四：给重要文档批量打上水印

发给客户的文件怕被随意盗用？我们可以用脚本批量给每一页的中间加上半透明的文字水印，省去了用商业软件一个个加的麻烦。

import fitzdef add_watermark(pdf_path, watermark_text, output_path):    doc = fitz.open(pdf_path)    for page in doc:        # 获取页面的矩形范围        rect = page.rect        # 计算水印插入的位置（大致放在页面中央）        point = fitz.Point(rect.width / 4, rect.height / 2)        # 插入文本水印        # 可以自定义字体大小、颜色和旋转角度        page.insert_text(            point,             watermark_text,             fontsize=45,             color=(0.7, 0.7, 0.7), # 灰色            rotate=45 # 倾斜45度        )    doc.save(output_path)    doc.close()    print("水印添加完毕！")add_watermark("contract.pdf", "机密文件-严禁外传", "contract_watermarked.pdf")

写在最后

Python能做的事情真的很多，而 PyMuPDF 就是我们在处理文档时最锋利的那把瑞士军刀。上面这些代码，大家可以直接复制到自己的电脑上运行试试。只要稍微修改一下路径，就能马上应用到你每天的工作中。

少做点无聊的重复劳动，把时间留给更有价值的事情，或者早点下班回家休息，这才是我们学习代码的真正意义。

如果你觉得今天的分享对你有帮助，不妨点个在看或者分享给身边被文档折磨的同事。我们下期再见！

编辑：余文彬

审校：余雨馨