def browser(self):
""" 将内容复制到word，另存为html文件后，用浏览器打开查看 """
from pyxllib.file.docxlib import rebuild_document_by_word
file = fire.Fire(rebuild_document_by_word, self.cmds['subinput'],
'browser')
browser(file)
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 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 = File('a.pdf', Dir.TEMP).to_str()
self.doc.save(file, garbage=4)
browser(file)
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 = File(etag, Dir.TEMP, suffix='.html')
f.write(data)
browser(f)
else:
raise ValueError
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 = File('a.pdf', Dir.TEMP).to_str()
dprint(file)
self.doc.save(file, garbage=4)
browser(file)
def browser(doc, file_name=None, fmt='html', retain=False):
""" 这个函数可能会导致原doc指向对象被销毁，建议要不追返回值doc继续使用
"""
res = doc.save(file_name, fmt, retain=retain)
if retain:
outfile, doc = res
else:
outfile = res
browser(outfile)
return doc
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 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 = File(etag, Dir.TEMP, suffix='.html')
f.write(data)
browser(f)
else:
raise ValueError(f'{opt}')
return f
def _print_df_result(df, outfmt='text'):
# subinput可以强制重置输出类型
# TODO argparser可以对str类型进行参数解析？
# if 'browser' in kwargs['subinput']:
# outfmt = 'browser'
# elif 'html' in kwargs['subinput']:
# outfmt = 'html'
# elif 'text' in kwargs['subinput']:
# outfmt = 'text'
if outfmt == 'html':
# content = df.to_html().replace('–', '-') # 很多app会出现一个utf8特殊的-，转gbk编码会出错+
try: # utools里按gbk会有很多编码问题，如果不能直接显示，就打开浏览器看
print(df.to_html())
except UnicodeEncodeError:
browser(df)
elif outfmt == 'browser':
browser(df)
else:
with pd.option_context('display.max_colwidth', -1,
'display.max_columns', 20, 'display.width',
200): # 上下文控制格式
print(df)
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)
def browser(_self):
"""注意，这里会去除掉合并单元格"""
browser(pd.DataFrame(_self.values))
def browser(self):
""" 转pdf，使用浏览器的查看效果
"""
pdf_file = self.to_pdf()
browser(pdf_file)
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=Dir.TEMP, 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 getToC(self):
"""获得书签目录"""
toc = self.doc.getToC()
browser(toc)