pyxllib 0.3.197__py3-none-any.whl → 3.201.1__py3-none-any.whl

pyxllib/file/pdflib.py

@@ -1,426 +1,422 @@
-#!/usr/bin/env python3
-# -*- coding: utf-8 -*-
-# @Author : 陈坤泽
-# @Email  : 877362867@qq.com
-# @Date   : 2020/06/02 16:06
-
-from pyxllib.prog.pupil import check_install_package
-
-check_install_package('fitz', 'PyMuPdf>=1.18.17')
-
-import json
-import os
-import pprint
-import re
-
-import fitz
-
-from pyxllib.prog.newbie import round_int, decode_bitflags
-from pyxllib.prog.pupil import DictTool, inject_members, dprint
-from pyxllib.prog.specialist import browser
-from pyxllib.algo.newbie import round_unit
-from pyxllib.prog.pupil import get_number_width
-from pyxllib.file.specialist import XlPath, writefile, get_etag
-from pyxllib.cv.expert import xlcv, xlpil
-from pyxlpr.data.labelme import LabelmeDict
-
-
-def __fitz():
-    print(fitz.__doc__)
-
-
-class FitzDoc:
-    """ 原名叫FitzPdf，但不一定是处理pdf，也可能是其他文档，所以改名 FitzDoc
-    """
-
-    def __init__(self, file):
-        self.src_file = XlPath(file)
-        self.doc = fitz.open(str(file))
-
-    def to_images(self, dst_dir=None, file_fmt='{filestem}_{number}.jpg', num_width=None, *,
-                  scale=1, start=1, fmt_onepage=False):
-        """ 将pdf转为若干页图片
-
-        :param dst_dir: 目标目录
-            默认情况下，只有一页pdf则存储到对应的pdf目录，多页则存储到同名子目录下
-            如果不想这样被智能控制，只要指定明确的dst即可
-        :param file_fmt: 后缀格式，包括修改导出的图片类型，注意要用 {} 占位符表示页码编号
-        :param num_width: 生成的每一页文件编号，使用的数字前导0域宽
-            默认根据pdf总页数来设置对应所用域宽
-            0表示不设域宽
-        :param scale: 对每页图片进行缩放，一般推荐都要设成2，导出的图片才清晰
-        :param start: 起始页码，一般建议从1开始比较符合常识直觉
-        :param fmt_onepage: 当pdf就只有一页的时候，是否还对导出的图片编号
-            默认只有一页的时候，进行优化，不增设后缀格式
-        :return: 返回转换完的图片名称清单
-
-        注：如果要导出单张图，可以用 FitzPdfPage.get_cv_image
-        """
-        # 1 基本参数计算
-        srcfile, doc = self.src_file, self.doc
-        filestem, n_page = srcfile.stem, doc.page_count
-
-        # 自动推导目标目录
-        if dst_dir is None:
-            dst_dir = XlPath.init(srcfile.stem, srcfile.parent) if n_page > 1 else XlPath(srcfile.parent)
-        os.makedirs(dst_dir, exist_ok=True)
-
-        # 域宽
-        num_width = num_width or get_number_width(n_page)  # 根据总页数计算需要的对齐域宽
-
-        # 2 导出图片
-        if fmt_onepage or n_page != 1:  # 多页的处理规则
-            res = []
-            for i in range(n_page):
-                im = self.load_page(i).get_cv_image(scale)
-                number = ('{:0' + str(num_width) + 'd}').format(i + start)  # 前面的括号不要删，这样才是完整的一个字符串来使用format
-                f = xlcv.write(im, XlPath.init(file_fmt.format(filestem=filestem, number=number), dst_dir))
-                res.append(f)
-            return res
-        else:
-            im = self.load_page(0).get_cv_image(scale)
-            return [xlcv.write(im, XlPath.init(srcfile.stem + os.path.splitext(file_fmt)[1], dst_dir))]
-
-    def to_labelmes(self, imfiles, opt='dict', *, views=(0, 0, 1, 0), scale=1, indent=None):
-        """ 生成图片对应的标注，常跟to_images配合使用 """
-        for i, imfile in enumerate(imfiles):
-            page = self.load_page(i)
-            lmdict = LabelmeDict.gen_data(imfile)
-            lmdict['shapes'] = page.get_labelme_shapes(opt, views=views, scale=scale)
-            imfile.with_suffix('.json').write(lmdict, indent=indent)
-
-    def to_docx(self, docx_file=None):
-        """ pdf转docx """
-        check_install_package('pdf2docx')
-        from pdf2docx import parse
-
-        pdf_file = self.src_file
-
-        if docx_file is None:
-            docx_file = pdf_file.with_suffix('.docx')
-
-        # 注意这里是日志显示进度，不是printf输出.
-        parse(str(pdf_file), str(docx_file))
-
-    def browser(self, opt='pdf'):
-        if opt == 'pdf':
-            f = self.src_file
-            browser(self.src_file)
-        elif opt == 'html':
-            ls = []
-            for i in range(self.page_count):
-                page = self.load_page(i)
-                ls.append(page.get_text('html'))
-            data = '\n'.join(ls)
-            etag = get_etag(data)
-            f = XlPath.init(etag, XlPath.tempdir(), suffix='.html')
-            f.write(data)
-            browser(f)
-        else:
-            raise ValueError(f'{opt}')
-        return f
-
-    def __getattr__(self, item):
-        return getattr(self.doc, item)
-
-
-class XlFitzPage(fitz.fitz.Page):
-    """ 对fitz.fitz.Page的扩展成员方法 """
-
-    def get_svg_image2(self, scale=1):
-        # svg 是一段表述性文本
-        if scale != 1:
-            txt = self.get_svg_image(matrix=fitz.Matrix(scale, scale))
-        else:
-            txt = self.get_svg_image()
-        return txt
-
-    def _get_png_data(self, scale=1):
-        # TODO 增加透明通道？
-        if scale != 1:
-            pix = self.get_pixmap(matrix=fitz.Matrix(scale, scale))  # 长宽放大到scale倍
-        else:
-            pix = self.get_pixmap()
-        return pix.tobytes()
-
-    def get_cv_image(self, scale=1):
-        return xlcv.read_from_buffer(self._get_png_data(scale), flags=1)
-
-    def get_pil_image(self, scale=1):
-        # TODO 可以优化，直接从内存数据转pil，不用这样先转cv再转pil
-        return xlpil.read_from_buffer(self._get_png_data(scale), flags=1)
-
-    def to_image(self, outfile, *, scale=1, if_exists=None):
-        """ 转成为文件 """
-        f = XlPath(outfile)
-        suffix = f.suffix.lower()
-
-        if suffix == '.svg':
-            content = self.get_svg_image()
-            f.write(content, if_exists=if_exists)
-        else:
-            im = self.get_cv_image(scale)
-            xlcv.write(im, if_exists=if_exists)
-
-    def get_labelme_shapes(self, opt='dict', *, views=1, scale=1):
-        """ 得到labelme版本的shapes标注信息
-
-        :param opt: get_text的参数，默认使用无字符集标注的精简的dict
-            也可以使用rawdict，带有字符集标注的数据
-        :param views: 若非list或者长度不足4，会补足
-            各位标记依次代表是否显示对应细粒度的标注：blocks、lines、spans、chars
-            默认只显示blocks
-            例如 (0, 0, 1, 0)，表示只显示spans的标注
-        :param scale: 是否需要对坐标按比例放大 （pdf经常放大两倍提取图片，则这里标注也要对应放大两倍）
-
-        【字典属性解释】
-        blocks:
-            number: int, 区块编号
-            type: 0表示文本行，1表示图片
-        lines:
-            wmode: 好像都是0，不知道啥东西
-            dir: [1, 0]，可能是文本方向吧
-        spans:
-            size: 字号
-            flags: 格式标记
-                1，superscript，上标
-                2，italic，斜体
-                4，serifed，有衬线。如果没开，对立面就是"sans"，无衬线。
-                8，monospaced，等距。对立面proportional，均衡。
-                16，bold，加粗
-            font：字体名称（直接用字符串赋值）
-            color：颜色
-            ascender：？
-            descender：？
-            origin：所在方格右上角坐标
-            text/chars: dict模式有text内容，rawdict有chars详细信息。我扩展的版本，rawdict也会有text属性。
-        char:
-            origin: 差不多是其所在方格的右上角坐标，同一行文本，其top位置是会对齐的
-            c: 字符内容
-        """
-        from pyxlpr.data.labelme import LabelmeDict
-
-        # 1 参数配置
-        if isinstance(views, int):
-            views = [views]
-        if len(views) < 4:
-            views += [0] * (4 - len(views))
-
-        shapes = []
-        page_dict = self.get_text(opt)
-
-        # 2 辅助函数
-        def add_shape(name, refdict, add_keys, drop_keys=('bbox',)):
-            """ 生成一个标注框 """
-            msgdict = {'category_name': name}
-            msgdict.update(add_keys)
-            DictTool.ior(msgdict, refdict)
-            DictTool.isub(msgdict, drop_keys)
-            bbox = [round_int(v * scale) for v in refdict['bbox']]
-
-            if 'size' in msgdict:
-                x = round_unit(msgdict['size'], 0.5)
-                msgdict['size'] = round_int(x) if (x * 10) % 10 < 1 else x  # 没有小数的时候，优先展示为11，而不是11.0
-            if 'color' in msgdict:
-                # 把color映射为直观的(r, g, b)
-                # 这个pdf解析器获取的color，不一定精确等于原值，可能会有偏差，小一个像素
-                v = msgdict['color']
-                msgdict['color'] = (v // 256 // 256, (v // 256) % 256, v % 256)
-            if 'origin' in msgdict:
-                msgdict['origin'] = [round_int(v) for v in msgdict['origin']]
-
-            sp = LabelmeDict.gen_shape(json.dumps(msgdict), bbox)
-            shapes.append(sp)
-
-        # 3 遍历获取标注数据
-        for block in page_dict['blocks']:
-            if block['type'] == 0:  # 普通的文本行
-                if views[0]:
-                    add_shape('text_block', block, {'n_lines': len(block['lines'])}, ['bbox', 'lines'])
-                for line in block['lines']:
-                    if views[1]:
-                        add_shape('line', line, {'n_spans': len(line['spans'])}, ['bbox', 'spans'])
-                    for span in line['spans']:
-                        if 'text' not in span and 'chars' in span:
-                            span['text'] = ''.join([x['c'] for x in span['chars']])
-                        if views[2]:
-                            add_shape('span', span, {'n_chars': len(span.get('text', ''))}, ['bbox', 'chars'])
-                        if views[3] and 'chars' in span:  # 最后层算法不太一样，这样写可以加速
-                            for char in span['chars']:
-                                add_shape('char', char, {}, ['bbox'])
-            elif block['type'] == 1:  # 应该是图片
-                add_shape('image', block, {'image_filesize': len(block['image'])}, ['bbox', 'image'])
-            else:
-                raise ValueError
-
-        return shapes
-
-    @classmethod
-    def parse_flags(cls, n):
-        """ 解析spans的flags参数明文含义 """
-        flags = decode_bitflags(n, ('superscript', 'italic', 'serifed', 'monospaced', 'bold'))
-        flags['sans'] = not flags['serifed']
-        flags['proportional'] = not flags['monospaced']
-        return flags
-
-    def browser(self, opt='html'):
-        if opt == 'html':
-            data = self.get_text('html')  # html、xhtml 可以转网页，虽然排版相对来说还是会乱一点
-            data = ''.join(data)
-            etag = get_etag(data)
-            f = XlPath.init(etag, XlPath.tempdir(), suffix='.html')
-            f.write(data)
-            browser(f)
-        else:
-            raise ValueError
-
-
-inject_members(XlFitzPage, fitz.fitz.Page)
-
-
-class DemoFitz:
-    """
-    安装： pip install PyMuPdf
-    使用： import fitz
-    官方文档： https://pymupdf.readthedocs.io/en/latest/intro/
-        demo： https://github.com/rk700/PyMuPDF/tree/master/demo
-        examples： https://github.com/rk700/PyMuPDF/tree/master/examples
-    """
-
-    def __init__(self, file):
-        self.doc = fitz.open(file)
-
-    def message(self):
-        """查看pdf文档一些基础信息"""
-        dprint(fitz.version)  # fitz模块的版本
-        dprint(self.doc.pageCount)  # pdf页数
-        dprint(self.doc._getXrefLength())  # 文档的对象总数
-
-    def getToC(self):
-        """获得书签目录"""
-        toc = self.doc.getToC()
-        browser(toc)
-
-    def setToC(self):
-        """设置书签目录
-        可以调层级、改名称、修改指向页码
-        """
-        toc = self.doc.getToC()
-        toc[1][1] = '改标题名称'
-        self.doc.setToC(toc)
-        file = XlPath('a.pdf', XlPath.tempdir()).to_str()
-        self.doc.save(file, garbage=4)
-        browser(file)
-
-    def setToC2(self):
-        """修改人教版教材的标签名"""
-        toc = self.doc.getToC()
-        newtoc = []
-        for i in range(len(toc)):
-            name = toc[i][1]
-            if '.' in name: continue
-            # m = re.search(r'\d+', name)
-            # if m: name = name.replace(m.group(), digits2chinese(int(m.group())))
-            m = re.search(r'([一二三四五六]年级).*?([上下])', name)
-            if i < len(toc) - 1:
-                pages = toc[i + 1][2] - toc[i][2] + 1
-            else:
-                pages = self.doc.pageCount - toc[i][2] + 1
-            toc[i][1] = m.group(1) + m.group(2) + '，' + str(pages)
-            newtoc.append(toc[i])
-        self.doc.setToC(newtoc)
-        file = writefile(b'', 'a.pdf', if_exists='replace')
-        self.doc.save(file, garbage=4)
-
-    def rearrange_pages(self):
-        """重新布局页面"""
-        self.doc.select([0, 0, 1])  # 第1页展示两次后，再跟第2页
-        file = writefile(b'', 'a.pdf', root=XlPath.tempdir(), if_exists='replace')
-        self.doc.save(file, garbage=4)  # 注意要设置garbage，否则文档并没有实际删除内容压缩文件大小
-        browser(file)
-
-    def page2png(self, page=0):
-        """ 查看单页渲染图片 """
-        page = self.doc.loadPage(page)  # 索引第i页，下标规律同py，支持-1索引最后页
-        # dprint(page.bound())  # 页面边界，x,y轴同图像处理中的常识定义，返回Rect(x0, y0, x1, y1)
-
-        pix = page.getPixmap(fitz.Matrix(2, 2))  # 获得页面的RGBA图像，Pixmap类型；还可以用page.getSVGimage()获得矢量图
-        # pix.writePNG('page-0.png')  # 将Pixmal
-        pngdata = pix.tobytes()  # 获png文件的bytes字节码
-        # print(len(pngdata))
-        # browser(pngdata, 'a.png')  # 用我的工具函数打开图片
-
-        return pngdata
-
-    def pagetext(self):
-        """单页上的文本"""
-        page = self.doc[0]
-
-        # 获得页面上的所有文本，还支持参数： html，dict，xml，xhtml，json
-        text = page.getText('text')
-        dprint(text)
-
-        # 获得页面上的所有文本（返回字典对象）
-        textdict = page.getText('dict')
-        textdict['blocks'] = textdict['blocks'][:-1]
-        browser(pprint.pformat(textdict))
-
-    def text(self):
-        """获得整份pdf的所有文本"""
-        return '\n'.join([page.getText('text') for page in self.doc])
-
-    def xrefstr(self):
-        """查看pdf文档的所有对象"""
-        xrefstr = []
-        n = self.doc._getXrefLength()
-        for i in range(1, n):  # 注意下标实际要从1卡开始
-            # 可以边遍历边删除，不影响下标位置，因为其本质只是去除关联引用而已
-            xrefstr.append(self.doc._getXrefString(i))
-        browser('\n'.join(xrefstr))
-
-    def page_add_ele(self):
-        """往页面添加元素
-        添加元素前后xrefstr的区别： https://paste.ubuntu.com/p/Dxhnzp4XJ2/
-        """
-        self.doc.select([0])
-        page = self.doc.loadPage(0)
-        # page.insertText(fitz.Point(100, 200), 'test\ntest')
-        file = str(XlPath.tempdir() / 'a.pdf')
-        dprint(file)
-        self.doc.save(file, garbage=4)
-        browser(file)
-
-
-def __pdfminer():
-    """ pdfminer的实验代码也先放这里
-
-    !pip install pdfminer.six
-    """
-
-    import pdfminer
-    print(pdfminer.__version__)
-    # 20201018
-
-
-class PdfMiner:
-    @classmethod
-    def to_html(cls, pdf_file):
-        """ 相比fitz，pdfminer能正常提取出下划线
-
-        文本重叠比fitz更严重，整体来说其实更不好用~~
-        """
-
-        from io import StringIO
-
-        from pdfminer.high_level import extract_text_to_fp
-        from pdfminer.layout import LAParams
-
-        output_string = StringIO()
-        with open(str(pdf_file)) as fin:
-            extract_text_to_fp(fin, output_string, laparams=LAParams(),
-                               output_type='html', codec=None)
-
-        # 打开浏览器查看重建的html效果
-        f = pdf_file.with_suffix('.html')
-        f.write(output_string.getvalue())
-        browser(f)
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+# @Author : 陈坤泽
+# @Email  : 877362867@qq.com
+# @Date   : 2020/06/02 16:06
+
+
+import json
+import os
+import pprint
+import re
+
+import fitz
+
+from pyxllib.prog.newbie import round_int, decode_bitflags
+from pyxllib.prog.pupil import DictTool, inject_members, dprint
+from pyxllib.prog.specialist import browser
+from pyxllib.algo.newbie import round_unit
+from pyxllib.prog.pupil import get_number_width
+from pyxllib.file.specialist import XlPath, writefile, get_etag
+from pyxllib.cv.expert import xlcv, xlpil
+from pyxlpr.data.labelme import LabelmeDict
+
+
+def __fitz():
+    print(fitz.__doc__)
+
+
+class FitzDoc:
+    """ 原名叫FitzPdf，但不一定是处理pdf，也可能是其他文档，所以改名 FitzDoc
+    """
+
+    def __init__(self, file):
+        self.src_file = XlPath(file)
+        self.doc = fitz.open(str(file))
+
+    def to_images(self, dst_dir=None, file_fmt='{filestem}_{number}.jpg', num_width=None, *,
+                  scale=1, start=1, fmt_onepage=False):
+        """ 将pdf转为若干页图片
+
+        :param dst_dir: 目标目录
+            默认情况下，只有一页pdf则存储到对应的pdf目录，多页则存储到同名子目录下
+            如果不想这样被智能控制，只要指定明确的dst即可
+        :param file_fmt: 后缀格式，包括修改导出的图片类型，注意要用 {} 占位符表示页码编号
+        :param num_width: 生成的每一页文件编号，使用的数字前导0域宽
+            默认根据pdf总页数来设置对应所用域宽
+            0表示不设域宽
+        :param scale: 对每页图片进行缩放，一般推荐都要设成2，导出的图片才清晰
+        :param start: 起始页码，一般建议从1开始比较符合常识直觉
+        :param fmt_onepage: 当pdf就只有一页的时候，是否还对导出的图片编号
+            默认只有一页的时候，进行优化，不增设后缀格式
+        :return: 返回转换完的图片名称清单
+
+        注：如果要导出单张图，可以用 FitzPdfPage.get_cv_image
+        """
+        # 1 基本参数计算
+        srcfile, doc = self.src_file, self.doc
+        filestem, n_page = srcfile.stem, doc.page_count
+
+        # 自动推导目标目录
+        if dst_dir is None:
+            dst_dir = XlPath.init(srcfile.stem, srcfile.parent) if n_page > 1 else XlPath(srcfile.parent)
+        os.makedirs(dst_dir, exist_ok=True)
+
+        # 域宽
+        num_width = num_width or get_number_width(n_page)  # 根据总页数计算需要的对齐域宽
+
+        # 2 导出图片
+        if fmt_onepage or n_page != 1:  # 多页的处理规则
+            res = []
+            for i in range(n_page):
+                im = self.load_page(i).get_cv_image(scale)
+                number = ('{:0' + str(num_width) + 'd}').format(i + start)  # 前面的括号不要删，这样才是完整的一个字符串来使用format
+                f = xlcv.write(im, XlPath.init(file_fmt.format(filestem=filestem, number=number), dst_dir))
+                res.append(f)
+            return res
+        else:
+            im = self.load_page(0).get_cv_image(scale)
+            return [xlcv.write(im, XlPath.init(srcfile.stem + os.path.splitext(file_fmt)[1], dst_dir))]
+
+    def to_labelmes(self, imfiles, opt='dict', *, views=(0, 0, 1, 0), scale=1, indent=None):
+        """ 生成图片对应的标注，常跟to_images配合使用 """
+        for i, imfile in enumerate(imfiles):
+            page = self.load_page(i)
+            lmdict = LabelmeDict.gen_data(imfile)
+            lmdict['shapes'] = page.get_labelme_shapes(opt, views=views, scale=scale)
+            imfile.with_suffix('.json').write(lmdict, indent=indent)
+
+    def to_docx(self, docx_file=None):
+        """ pdf转docx """
+        from pdf2docx import parse
+
+        pdf_file = self.src_file
+
+        if docx_file is None:
+            docx_file = pdf_file.with_suffix('.docx')
+
+        # 注意这里是日志显示进度，不是printf输出.
+        parse(str(pdf_file), str(docx_file))
+
+    def browser(self, opt='pdf'):
+        if opt == 'pdf':
+            f = self.src_file
+            browser(self.src_file)
+        elif opt == 'html':
+            ls = []
+            for i in range(self.page_count):
+                page = self.load_page(i)
+                ls.append(page.get_text('html'))
+            data = '\n'.join(ls)
+            etag = get_etag(data)
+            f = XlPath.init(etag, XlPath.tempdir(), suffix='.html')
+            f.write(data)
+            browser(f)
+        else:
+            raise ValueError(f'{opt}')
+        return f
+
+    def __getattr__(self, item):
+        return getattr(self.doc, item)
+
+
+class XlFitzPage(fitz.fitz.Page):
+    """ 对fitz.fitz.Page的扩展成员方法 """
+
+    def get_svg_image2(self, scale=1):
+        # svg 是一段表述性文本
+        if scale != 1:
+            txt = self.get_svg_image(matrix=fitz.Matrix(scale, scale))
+        else:
+            txt = self.get_svg_image()
+        return txt
+
+    def _get_png_data(self, scale=1):
+        # TODO 增加透明通道？
+        if scale != 1:
+            pix = self.get_pixmap(matrix=fitz.Matrix(scale, scale))  # 长宽放大到scale倍
+        else:
+            pix = self.get_pixmap()
+        return pix.tobytes()
+
+    def get_cv_image(self, scale=1):
+        return xlcv.read_from_buffer(self._get_png_data(scale), flags=1)
+
+    def get_pil_image(self, scale=1):
+        # TODO 可以优化，直接从内存数据转pil，不用这样先转cv再转pil
+        return xlpil.read_from_buffer(self._get_png_data(scale), flags=1)
+
+    def to_image(self, outfile, *, scale=1, if_exists=None):
+        """ 转成为文件 """
+        f = XlPath(outfile)
+        suffix = f.suffix.lower()
+
+        if suffix == '.svg':
+            content = self.get_svg_image()
+            f.write(content, if_exists=if_exists)
+        else:
+            im = self.get_cv_image(scale)
+            xlcv.write(im, if_exists=if_exists)
+
+    def get_labelme_shapes(self, opt='dict', *, views=1, scale=1):
+        """ 得到labelme版本的shapes标注信息
+
+        :param opt: get_text的参数，默认使用无字符集标注的精简的dict
+            也可以使用rawdict，带有字符集标注的数据
+        :param views: 若非list或者长度不足4，会补足
+            各位标记依次代表是否显示对应细粒度的标注：blocks、lines、spans、chars
+            默认只显示blocks
+            例如 (0, 0, 1, 0)，表示只显示spans的标注
+        :param scale: 是否需要对坐标按比例放大 （pdf经常放大两倍提取图片，则这里标注也要对应放大两倍）
+
+        【字典属性解释】
+        blocks:
+            number: int, 区块编号
+            type: 0表示文本行，1表示图片
+        lines:
+            wmode: 好像都是0，不知道啥东西
+            dir: [1, 0]，可能是文本方向吧
+        spans:
+            size: 字号
+            flags: 格式标记
+                1，superscript，上标
+                2，italic，斜体
+                4，serifed，有衬线。如果没开，对立面就是"sans"，无衬线。
+                8，monospaced，等距。对立面proportional，均衡。
+                16，bold，加粗
+            font：字体名称（直接用字符串赋值）
+            color：颜色
+            ascender：？
+            descender：？
+            origin：所在方格右上角坐标
+            text/chars: dict模式有text内容，rawdict有chars详细信息。我扩展的版本，rawdict也会有text属性。
+        char:
+            origin: 差不多是其所在方格的右上角坐标，同一行文本，其top位置是会对齐的
+            c: 字符内容
+        """
+        from pyxlpr.data.labelme import LabelmeDict
+
+        # 1 参数配置
+        if isinstance(views, int):
+            views = [views]
+        if len(views) < 4:
+            views += [0] * (4 - len(views))
+
+        shapes = []
+        page_dict = self.get_text(opt)
+
+        # 2 辅助函数
+        def add_shape(name, refdict, add_keys, drop_keys=('bbox',)):
+            """ 生成一个标注框 """
+            msgdict = {'category_name': name}
+            msgdict.update(add_keys)
+            DictTool.ior(msgdict, refdict)
+            DictTool.isub(msgdict, drop_keys)
+            bbox = [round_int(v * scale) for v in refdict['bbox']]
+
+            if 'size' in msgdict:
+                x = round_unit(msgdict['size'], 0.5)
+                msgdict['size'] = round_int(x) if (x * 10) % 10 < 1 else x  # 没有小数的时候，优先展示为11，而不是11.0
+            if 'color' in msgdict:
+                # 把color映射为直观的(r, g, b)
+                # 这个pdf解析器获取的color，不一定精确等于原值，可能会有偏差，小一个像素
+                v = msgdict['color']
+                msgdict['color'] = (v // 256 // 256, (v // 256) % 256, v % 256)
+            if 'origin' in msgdict:
+                msgdict['origin'] = [round_int(v) for v in msgdict['origin']]
+
+            sp = LabelmeDict.gen_shape(json.dumps(msgdict), bbox)
+            shapes.append(sp)
+
+        # 3 遍历获取标注数据
+        for block in page_dict['blocks']:
+            if block['type'] == 0:  # 普通的文本行
+                if views[0]:
+                    add_shape('text_block', block, {'n_lines': len(block['lines'])}, ['bbox', 'lines'])
+                for line in block['lines']:
+                    if views[1]:
+                        add_shape('line', line, {'n_spans': len(line['spans'])}, ['bbox', 'spans'])
+                    for span in line['spans']:
+                        if 'text' not in span and 'chars' in span:
+                            span['text'] = ''.join([x['c'] for x in span['chars']])
+                        if views[2]:
+                            add_shape('span', span, {'n_chars': len(span.get('text', ''))}, ['bbox', 'chars'])
+                        if views[3] and 'chars' in span:  # 最后层算法不太一样，这样写可以加速
+                            for char in span['chars']:
+                                add_shape('char', char, {}, ['bbox'])
+            elif block['type'] == 1:  # 应该是图片
+                add_shape('image', block, {'image_filesize': len(block['image'])}, ['bbox', 'image'])
+            else:
+                raise ValueError
+
+        return shapes
+
+    @classmethod
+    def parse_flags(cls, n):
+        """ 解析spans的flags参数明文含义 """
+        flags = decode_bitflags(n, ('superscript', 'italic', 'serifed', 'monospaced', 'bold'))
+        flags['sans'] = not flags['serifed']
+        flags['proportional'] = not flags['monospaced']
+        return flags
+
+    def browser(self, opt='html'):
+        if opt == 'html':
+            data = self.get_text('html')  # html、xhtml 可以转网页，虽然排版相对来说还是会乱一点
+            data = ''.join(data)
+            etag = get_etag(data)
+            f = XlPath.init(etag, XlPath.tempdir(), suffix='.html')
+            f.write(data)
+            browser(f)
+        else:
+            raise ValueError
+
+
+inject_members(XlFitzPage, fitz.fitz.Page)
+
+
+class DemoFitz:
+    """
+    安装： pip install PyMuPdf
+    使用： import fitz
+    官方文档： https://pymupdf.readthedocs.io/en/latest/intro/
+        demo： https://github.com/rk700/PyMuPDF/tree/master/demo
+        examples： https://github.com/rk700/PyMuPDF/tree/master/examples
+    """
+
+    def __init__(self, file):
+        self.doc = fitz.open(file)
+
+    def message(self):
+        """查看pdf文档一些基础信息"""
+        dprint(fitz.version)  # fitz模块的版本
+        dprint(self.doc.pageCount)  # pdf页数
+        dprint(self.doc._getXrefLength())  # 文档的对象总数
+
+    def getToC(self):
+        """获得书签目录"""
+        toc = self.doc.getToC()
+        browser(toc)
+
+    def setToC(self):
+        """设置书签目录
+        可以调层级、改名称、修改指向页码
+        """
+        toc = self.doc.getToC()
+        toc[1][1] = '改标题名称'
+        self.doc.setToC(toc)
+        file = XlPath('a.pdf', XlPath.tempdir()).to_str()
+        self.doc.save(file, garbage=4)
+        browser(file)
+
+    def setToC2(self):
+        """修改人教版教材的标签名"""
+        toc = self.doc.getToC()
+        newtoc = []
+        for i in range(len(toc)):
+            name = toc[i][1]
+            if '.' in name: continue
+            # m = re.search(r'\d+', name)
+            # if m: name = name.replace(m.group(), digits2chinese(int(m.group())))
+            m = re.search(r'([一二三四五六]年级).*?([上下])', name)
+            if i < len(toc) - 1:
+                pages = toc[i + 1][2] - toc[i][2] + 1
+            else:
+                pages = self.doc.pageCount - toc[i][2] + 1
+            toc[i][1] = m.group(1) + m.group(2) + '，' + str(pages)
+            newtoc.append(toc[i])
+        self.doc.setToC(newtoc)
+        file = writefile(b'', 'a.pdf', if_exists='replace')
+        self.doc.save(file, garbage=4)
+
+    def rearrange_pages(self):
+        """重新布局页面"""
+        self.doc.select([0, 0, 1])  # 第1页展示两次后，再跟第2页
+        file = writefile(b'', 'a.pdf', root=XlPath.tempdir(), if_exists='replace')
+        self.doc.save(file, garbage=4)  # 注意要设置garbage，否则文档并没有实际删除内容压缩文件大小
+        browser(file)
+
+    def page2png(self, page=0):
+        """ 查看单页渲染图片 """
+        page = self.doc.loadPage(page)  # 索引第i页，下标规律同py，支持-1索引最后页
+        # dprint(page.bound())  # 页面边界，x,y轴同图像处理中的常识定义，返回Rect(x0, y0, x1, y1)
+
+        pix = page.getPixmap(fitz.Matrix(2, 2))  # 获得页面的RGBA图像，Pixmap类型；还可以用page.getSVGimage()获得矢量图
+        # pix.writePNG('page-0.png')  # 将Pixmal
+        pngdata = pix.tobytes()  # 获png文件的bytes字节码
+        # print(len(pngdata))
+        # browser(pngdata, 'a.png')  # 用我的工具函数打开图片
+
+        return pngdata
+
+    def pagetext(self):
+        """单页上的文本"""
+        page = self.doc[0]
+
+        # 获得页面上的所有文本，还支持参数： html，dict，xml，xhtml，json
+        text = page.getText('text')
+        dprint(text)
+
+        # 获得页面上的所有文本（返回字典对象）
+        textdict = page.getText('dict')
+        textdict['blocks'] = textdict['blocks'][:-1]
+        browser(pprint.pformat(textdict))
+
+    def text(self):
+        """获得整份pdf的所有文本"""
+        return '\n'.join([page.getText('text') for page in self.doc])
+
+    def xrefstr(self):
+        """查看pdf文档的所有对象"""
+        xrefstr = []
+        n = self.doc._getXrefLength()
+        for i in range(1, n):  # 注意下标实际要从1卡开始
+            # 可以边遍历边删除，不影响下标位置，因为其本质只是去除关联引用而已
+            xrefstr.append(self.doc._getXrefString(i))
+        browser('\n'.join(xrefstr))
+
+    def page_add_ele(self):
+        """往页面添加元素
+        添加元素前后xrefstr的区别： https://paste.ubuntu.com/p/Dxhnzp4XJ2/
+        """
+        self.doc.select([0])
+        page = self.doc.loadPage(0)
+        # page.insertText(fitz.Point(100, 200), 'test\ntest')
+        file = str(XlPath.tempdir() / 'a.pdf')
+        dprint(file)
+        self.doc.save(file, garbage=4)
+        browser(file)
+
+
+def __pdfminer():
+    """ pdfminer的实验代码也先放这里
+
+    !pip install pdfminer.six
+    """
+
+    import pdfminer
+    print(pdfminer.__version__)
+    # 20201018
+
+
+class PdfMiner:
+    @classmethod
+    def to_html(cls, pdf_file):
+        """ 相比fitz，pdfminer能正常提取出下划线
+
+        文本重叠比fitz更严重，整体来说其实更不好用~~
+        """
+
+        from io import StringIO
+
+        from pdfminer.high_level import extract_text_to_fp
+        from pdfminer.layout import LAParams
+
+        output_string = StringIO()
+        with open(str(pdf_file)) as fin:
+            extract_text_to_fp(fin, output_string, laparams=LAParams(),
+                               output_type='html', codec=None)
+
+        # 打开浏览器查看重建的html效果
+        f = pdf_file.with_suffix('.html')
+        f.write(output_string.getvalue())
+        browser(f)