pymupdf 剖析 PDF

使用大模型处置惩罚文档时，必要对二进制格式的文档进转剖析提取文字和图片，本文使用 pymupdf 开源库，对 PDF 举行剖析提取文字和图片。
安装依赖

首先安装 pymupdf 依赖

1. pymupdf4llm==0.0.17
2. pymupdf==1.24.10
3. apscheduler==3.10.4

复制代码

PDF 转 Markdown

pymupdf 将 PDF 转换为 markdown，传入 pdf 路径举行处置惩罚。

1. def  convert_to_md(pdf_path):
2.     return pymupdf4llm.to_markdown(pdf_path)

复制代码

PDF 中提取图片

传入 PDF 路径，保存图片，并返回路径列表。

1. def extract_image(pdf_path):
2.     doc = pymupdf.open(pdf_path) # open a document
3.     image_path_list = []
4.     rad_prefix = ''.join(random.choices(string.ascii_letters, k=5))
5.     Path(f"images/{rad_prefix}").mkdir(parents=True)
6.     for page_index in range(len(doc)): # iterate over pdf pages
7.         page = doc[page_index] # get the page
8.         image_list = page.get_images()
10.         # print the number of images found on the page
11.         if image_list:
12.             print(f"Found {len(image_list)} images on page {page_index}")
13.         else:
14.             print("No images found on page", page_index)
15.         
16.         for image_index, img in enumerate(image_list, start=1): # enumerate the image list
17.             xref = img[0] # get the XREF of the image
18.             pix = pymupdf.Pixmap(doc, xref) # create a Pixmap
20.             if pix.n - pix.alpha > 3: # CMYK: convert to RGB first
21.                 pix = pymupdf.Pixmap(pymupdf.csRGB, pix)
22.             
23.             image_path = Path("images/%s/page_%s-image_%s.png" % (rad_prefix,page_index, image_index)).absolute()
24.             image_path_list.append(image_path)
25.             pix.pil_save(image_path) # save the image as png
26.             pix = None
27.     return image_path_list

复制代码

可视化

通过 Gradio 可视化 PDF 转换。

1. import gradio as gr
2. import pdf
3. def covnert_pdf(x):
4.     print(x)
5.     md_content = pdf.convert_to_md(x)
6.     image_list = pdf.extract_image(x)
7.     return [md_content , image_list]
10. with gr.Blocks() as demo:
11.     gr.Markdown(
12.         value="# PDF 提取"
13.     )
14.     with gr.Tab("Markdown"):
15.         md = gr.Markdown(
16.              height=500
17.         )
18.     with gr.Tab("Images"):
19.         gallery = gr.Gallery(columns=4,  object_fit="None", height="auto", show_download_button=True)
20.     with gr.Row():
21.         go_btn = gr.UploadButton()
22.         go_btn.upload(covnert_pdf, go_btn, [md, gallery])
24. from apscheduler.schedulers.background import BackgroundScheduler
27. demo.launch()

复制代码

总结

pymupdf 转 markdown 的结果还是不错的，可以到 Modelscope 的空间举行体验。https://modelscope.cn/studios/model1001/pdf_converter

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。