fitz介绍

fitz官网
fitz 是 PyMuPDF 库的一个封装，它是一个用于处理 PDF 文件的 Python 库。PyMuPDF 是一个强大而灵活的 PDF 处理库，而 fitz 则是对其进行了精简和封装，使得使用起来更加方便。

fitz 提供了许多功能，包括打开、创建、编辑和保存 PDF 文件。下面是 fitz 的一些主要特点：

打开和读取 PDF 文件：使用 fitz.open 方法可以打开一个 PDF 文件，并返回一个 fitz.Document 对象。你可以通过这个对象访问和操作 PDF 的页面、书签、元数据等信息。

页面操作：通过 fitz.Document 对象可以获取 PDF 的页面数量，并可以根据索引或页码获取单个页面。你可以对页面进行裁剪、旋转、缩放和提取等操作。

文本提取：使用 get_text 方法可以提取页面中的文本内容。你还可以按照坐标提取指定区域内的文本。

图像提取：使用 get_pixmap 方法可以获取页面上的图像，你可以将图像保存为文件或进行进一步的处理。

创建和编辑 PDF：fitz 允许你创建新的空白 PDF，向其中添加页面、书签和注释，并且可以对现有的 PDF 进行编辑和修改，如删除、替换、合并页面等操作。

高级功能：fitz 还提供了一些高级功能，如搜索文本、添加标注和链接、提取嵌入的字体信息等。

总体而言，fitz 是一个功能强大的 PDF 处理库，可以帮助你在 Python 中对 PDF 进行各种操作。你可以根据自己的需求使用 fitz 来读取、创建、编辑和提取 PDF 文件的内容。

pdfplumber__19">fitz与pdfplumber 区别

参考：chatgpt
fitz 和 pdfplumber 都是常用的用于提取 PDF 内容的 Python 库，它们在使用方式和功能上有一些区别。

适用库：fitz 是 PyMuPDF 库的封装，而 pdfplumber 是基于 PyPDF2 和 pdftotext 的库。

功能丰富度：fitz 提供了更多高级功能，比如支持页面裁剪、渲染、文本搜索和标注等。它还可以处理图像和矢量对象。pdfplumber 则更专注于提取文本内容，提供了一些辅助功能，比如可以获取页面的大小和位置信息。

文本提取准确性：由于 PDF 文件的复杂性，不同的库可能对于某些特殊情况下的文本提取准确性有所不同。在一般情况下，fitz 和 pdfplumber 在文本提取方面的准确性都比较高。

库的易用性：pdfplumber 的 API 设计更加简洁明了，上手较为容易。fitz 则是 PyMuPDF 库的封装，相较而言，它的使用可能稍微复杂一些。

综上所述，如果你的主要需求是提取文本内容，pdfplumber 可能会更适合你。如果你需要更多高级功能或对 PDF 进行更复杂的处理，例如页面裁剪或图像处理，那么 fitz 更适合你。根据实际需求选择适合的库可以更好地满足你的需求。

代码

注意pdf权限问题，并且pdf排版是一行一行，而不是分块的，这样格式比较规整

 import fitz
 import pandas as pd
 
def clip_pdf(filepath):
    # 打开原始 PDF 文件
    total_df = pd.DataFrame([],columns=['info','page','table_index','index'])
    src = fitz.open(filepath)
    src.select(list(range(6, 515)))
    doc = fitz.open()
    text_list = []

   
    for spage in src:

        print('spage')# for each page in input
        r = spage.rect  # input page rectangle
        pdf_width = 700
        rx = fitz.Rect(r[2] * 40 /pdf_width, r[2] * 85 /pdf_width, r[2] * 240 /pdf_width, r[3] ) 
        page = doc.new_page(-1, width=r[2] * 200 /pdf_width, height=r[3])  # 创建新页面
        page.show_pdf_page(page.rect, src, spage.number, clip=rx)  # 插入裁剪后的部分
        text  = page.get_text()


        rx = fitz.Rect(r[2] * 240 /pdf_width, r[2] * 85 /pdf_width, r[2] * 440 /pdf_width, r[3] )
        page = doc.new_page(-1, width=r[2] * 200 /pdf_width, height=r[3])  # 创建新页面
        page.show_pdf_page(page.rect, src, spage.number, clip=rx)  # 插入裁剪后的部分
        text2 = page.get_text()

        rx = fitz.Rect(r[2] * 440 /pdf_width, r[2] * 85 /pdf_width, r[2] * 640 /pdf_width, r[3] )
        page = doc.new_page(-1, width=r[2] * 200 /pdf_width, height=r[3])  # 创建新页面
        page.show_pdf_page(page.rect, src, spage.number, clip=rx)  # 插入裁剪后的部分
        text3 = page.get_text()

        df = pd.DataFrame(text.split('\n') [:-2],columns=['info'])
        df['table_index'] = 0
        df['index'] = df.index
        df2 = pd.DataFrame(text2.split('\n')[1:-1],columns=['info'])
        df2['table_index'] = 1
        df2['index'] = df2.index
        df3 = pd.DataFrame(text3.split('\n')[:-2] ,columns=['info'])
        df3['table_index'] = 2
        df3['index'] = df3.index
        page_df = pd.concat([df,df2] )
        page_df = pd.concat([page_df,df3])
        page_df['page'] = spage.number
        if total_df.empty:
            total_df = page_df
        else:
			total_df = pd.concat([total_df, page_df], axis=0)
# 保存输出文件
total_df.to_excel('output.xlsx')
doc.save("output.pdf", garbage=3, deflate=True)