Repolode
Enviar
pymupdf

pymupdf/PyMuPDF

Una biblioteca de Python de alto rendimiento para extraer, analizar, convertir, renderizar y editar PDF y otros formatos de documento, basada en el motor MuPDF.

Alternativa open source a:Adobe Acrobat

Ver en GitHubSitio web
Estrellas
10,938
Forks
813
Issues abiertos
58
Último commit
hace 4 horas

¿Qué es?

PyMuPDF es un binding de Python para MuPDF, un motor ligero en C para PDF y otros formatos de documento. Permite que el código Python lea texto junto con datos sobre la fuente, el tamaño, el color y la posición, detecte y exporte tablas, renderice páginas como imágenes y extraiga imágenes incrustadas.

Además de extraer contenido, la biblioteca permite añadir anotaciones, aplicar redacciones, rellenar formularios, editar páginas, combinar y dividir archivos, gestionar marcadores y metadatos, crear PDF y convertir Markdown a PDF. También exporta documentos a Markdown, JSON y texto sin formato, por lo que resulta útil en pipelines de LLM y RAG. Ofrece OCR mediante RapidOCR o Tesseract, y la extensión opcional PyMuPDF Office añade compatibilidad con archivos de Word, Excel, PowerPoint y HWP.

Hay wheels disponibles para Windows, macOS y Linux con Python 3.11 o posterior. El proyecto tiene licencia AGPL-3.0; Artifex también ofrece licencias comerciales para uso propietario.

Funciones clave

  • 01Extrae texto con metadatos sobre la fuente, el tamaño, el color y el cuadro delimitador
  • 02Detecta tablas y las exporta como Markdown o DataFrames de pandas
  • 03Renderiza páginas como PNG o JPEG con los DPI elegidos
  • 04Añade anotaciones y aplica redacciones de forma permanente
  • 05Lee y rellena campos de AcroForm
  • 06Exporta documentos a Markdown, JSON y texto sin formato para usarlos con LLM
  • 07Ejecuta OCR mediante RapidOCR o Tesseract

Casos de uso

  • Incorporar contenido de PDF a un pipeline de LLM o RAG en forma de Markdown estructurado
  • Extraer tablas de informes financieros o gubernamentales y convertirlas en DataFrames
  • Ocultar información sensible de documentos antes de compartirlos
  • Combinar, dividir o aplicar marcas de agua a varios PDF mediante un script

Inicio rápido

  1. 1

    Instalar PyMuPDF desde PyPI

    pip install --upgrade pymupdf
  2. 2

    Extraer texto de un PDF

    python -c "import pymupdf; doc = pymupdf.open('document.pdf'); [print(p.get_text()) for p in doc]"

Antes de usarlo

  • La compatibilidad con documentos de Office requiere una clave de licencia. Sin ella, solo se puede acceder a las 3 primeras páginas.
  • La biblioteca principal está bajo la licencia AGPL-3.0, que implica obligaciones de copyleft para el uso en red o la distribución.

Temas

#pdf#python#text-extraction#ocr#table-extraction#document-processing#rag#data-science#epub#extract-data

Preguntas frecuentes

¿Qué es PyMuPDF?
Una biblioteca de Python de alto rendimiento para extraer, analizar, convertir, renderizar y editar PDF y otros formatos de documento, basada en el motor MuPDF. PyMuPDF es un binding de Python para MuPDF, un motor ligero en C para PDF y otros formatos de documento. Permite que el código Python lea texto junto con datos sobre la fuente, el tamaño, el color y la posición, detecte y exporte tablas, renderice páginas como imágenes y extraiga imágenes incrustadas.
¿PyMuPDF es gratuito? ¿Qué licencia tiene?
PyMuPDF es open source bajo la licencia AGPL-3.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿PyMuPDF sigue mantenido?
Mantenimiento activo. El último commit de PyMuPDF fue el 20 oct 2026.
¿Para qué puedo usar PyMuPDF?
Incorporar contenido de PDF a un pipeline de LLM o RAG en forma de Markdown estructurado Extraer tablas de informes financieros o gubernamentales y convertirlas en DataFrames Ocultar información sensible de documentos antes de compartirlos Combinar, dividir o aplicar marcas de agua a varios PDF mediante un script
¿Cómo se instala PyMuPDF?
Instalar PyMuPDF desde PyPI: pip install --upgrade pymupdf Extraer texto de un PDF: python -c "import pymupdf; doc = pymupdf.open('document.pdf'); [print(p.get_text()) for p in doc]"
¿Dónde consigo PyMuPDF?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/pymupdf/PyMuPDF

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados