如何使用Python打印PDF文件内所有对象（文本、图片、矢量图形等）

PyMuPDF没有内置的统一接口直接导出所有类型的页面对象，但我们可以将不同类型元素的提取逻辑封装到同一个流程中，输出你需要的标准化格式，实现代码如下：

import fitz

def extract_all_pdf_objects(pdf_path):
    doc = fitz.open(pdf_path)
    all_objects = []
    # 遍历所有页面
    for page_idx in range(len(doc)):
        page = doc.load_page(page_idx)
        
        # 1. 提取文本对象
        text_dict = page.get_text("dict")
        for block in text_dict["blocks"]:
            if block["type"] == 0:  # 文本块
                for line in block["lines"]:
                    for span in line["spans"]:
                        obj = {
                            "type": "TEXT",
                            "content": span["text"],
                            "position": f"{round(span['bbox'][0], 2)},{round(span['bbox'][1], 2)}",
                            "font": span["font"],
                            "font_size": round(span["size"], 2),
                            "page": page_idx + 1
                        }
                        all_objects.append(obj)
        
        # 2. 提取图片对象
        images = page.get_images(full=True)
        for img in images:
            xref, smask_xref, width, height, bpc, colorspace, _, name, _, _ = img
            # 获取图片在页面上的位置
            img_rects = page.get_image_rects(xref)
            for rect in img_rects:
                obj = {
                    "type": "IMAGE",
                    "content": f"Image {name} (size: {width}x{height})",
                    "position": f"{round(rect[0], 2)},{round(rect[1], 2)}",
                    "xref": xref,
                    "page": page_idx + 1
                }
                all_objects.append(obj)
        
        # 3. 提取矢量图形对象
        drawings = page.get_drawings()
        for idx, draw in enumerate(drawings):
            obj = {
                "type": "VECTOR_GRAPHIC",
                "content": f"Path with {len(draw['items'])} segments",
                "position": f"{round(draw['rect'][0], 2)},{round(draw['rect'][1], 2)}",
                "fill_color": draw.get("fill"),
                "stroke_color": draw.get("color"),
                "page": page_idx + 1
            }
            all_objects.append(obj)
    
    return all_objects

# 调用示例
if __name__ == "__main__":
    objects = extract_all_pdf_objects("test.pdf")
    for obj_idx, obj in enumerate(objects):
        print(f"Object{obj_idx}")
        for k, v in obj.items():
            print(f"    {k.upper()}:{v}")
        print()

补充说明 #

• 你之前直接遍历xref拿不到文本的原因：PDF的文本内容存储在页面的内容流中，属于压缩/编码后的流式数据，不是独立的顶层xref对象，必须经过内容流解析才能提取出可读的文本及对应位置属性。
• 如果需要额外提取字体、页面对象属性，可以在代码中补充doc.get_page_fonts()、页面对象的xref属性读取逻辑即可。

内容的提问来源于stack exchange，提问作者Basj