PyMuPDF 是什么
PyMuPDF（导入名 fitz）是常用的 PDF 解析库：逐页取文本、按块取坐标、识别基础表格，速度较快、依赖较少，适合处理带文本层的电子版 PDF。它同时支持渲染页面为图片，常用于「先判断是否是扫描件，再决定是否走 OCR」的预处理判断。
基本信息
| 安装 | pip install pymupdf，导入名为 fitz |
|---|---|
| 适用 | 有文本层的电子版 PDF |
| 不适用 | 纯扫描图片版 PDF，取文本结果为空 |
| 常用方法 | get_text、get_text("blocks")、find_tables、get_pixmap |
逐页提取
逐页提取
import fitz # PyMuPDF，安装包名 pymupdf
doc = fitz.open("manual.pdf")
print("页数", doc.page_count)
page = doc[0]
print(page.get_text("text")[:200])
for b in page.get_text("blocks")[:3]: # (x0, y0, x1, y1, text, ...)
print(b[:4], repr(b[4][:40]))基础表格识别
基础表格识别
tabs = page.find_tables()
if tabs.tables:
rows = tabs[0].extract() # 二维列表
print(rows[:2])典型用法
- 批量入库：遍历每页取文本，按页码写入切片元数据，便于引用定位
- 版面判断：先用 get_text 的结果长度判断是否扫描件，为空则转走 OCR
- 多栏重排：取 blocks 模式的坐标，按先上后下、先左后右重新排序
- 单页转图片：get_pixmap 渲染高清图用于人工核对或送 OCR
- 定位取证：按坐标回定位到原页面区域，用于人工复核疑难切片
取文本模式对照
| 模式 | 返回内容 | 适用 |
|---|---|---|
| text | 纯文本，阅读顺序按内部规则 | 快速预览、简单文档 |
| blocks | 带坐标的文本块 | 多栏重排、版面分析 |
| dict | 含字体、字号、行结构的完整信息 | 精细处理、标题识别 |
| words | 逐词与坐标 | 需要精确行内定位时 |
get_text 支持 text、blocks、dict 等模式；要按阅读顺序重排多栏内容时优先用 blocks 或 dict 配合坐标。
扫描版 PDF 直接取文本会是空字符串或极短内容，这不是解析失败；先判断文本层是否存在，再决定是否接入 OCR。
入库流程建议
- 逐页提取时把文件名与页码写进元数据，后续引用才能回到具体页面
- 先统计每页文本长度，长度异常偏低的页多半是扫描页，单独列出转走 OCR
- 表格页单独用表格接口处理，避免表格文字被当作正文混进段落
- 多栏文档用坐标重排后再切分，否则左右栏内容会交错在一起
- 批量任务记录失败页清单，便于人工复核，而不是整份文档重跑一遍