Converte PDFs e outros documentos para Markdown, JSON, chunks ou HTML, com assistência opcional de LLM para maior precisão.
40,6 mil2,9 milPythonApache-2.0Atualizado há 23 horas
pymupdf/PyMuPDF
Biblioteca Python de alto desempenho para extrair, analisar, converter, renderizar e editar PDFs e outros formatos de documento, baseada no mecanismo MuPDF.
Alternativa open source a:Adobe Acrobat
- Estrelas
- 10,938
- Forks
- 813
- Issues abertas
- 58
- Último commit
- há 4 horas
O que é?
PyMuPDF é um binding de Python para o MuPDF, um mecanismo leve em C para PDFs e outros formatos de documento. Ele permite que código Python leia textos com dados de fonte, tamanho, cor e posição, detecte e exporte tabelas, renderize páginas como imagens e extraia imagens incorporadas.
Além da extração, a biblioteca pode adicionar anotações, aplicar redações, preencher formulários, editar páginas, mesclar e dividir arquivos, gerenciar marcadores e metadados, criar PDFs ou converter Markdown para PDF. Também exporta documentos para Markdown, JSON e texto simples, sendo adequada para pipelines de LLM e RAG. O OCR está disponível via RapidOCR ou Tesseract, e a extensão opcional PyMuPDF Office adiciona suporte a arquivos Word, Excel, PowerPoint e HWP.
Há wheels para Windows, macOS e Linux, com Python 3.11 ou posterior. O projeto está licenciado sob AGPL-3.0, e a Artifex oferece licenças comerciais para uso proprietário.
Recursos principais
- 01Extrai texto com metadados de fonte, tamanho, cor e caixa delimitadora
- 02Detecta tabelas e as exporta como Markdown ou DataFrames do pandas
- 03Renderiza páginas como PNG ou JPEG em um DPI escolhido
- 04Adiciona anotações e aplica redações permanentes
- 05Lê e preenche campos AcroForm
- 06Exporta documentos para Markdown, JSON e texto simples para uso com LLMs
- 07Executa OCR via RapidOCR ou Tesseract
Casos de uso
- Inserir conteúdo de PDFs em um pipeline de LLM ou RAG como Markdown estruturado
- Extrair tabelas de relatórios financeiros ou governamentais para DataFrames
- Ocultar informações confidenciais de documentos antes de compartilhá-los
- Mesclar, dividir ou adicionar marcas d'água a PDFs em lote usando um script
Início rápido
- 1
Instalar o PyMuPDF pelo PyPI
pip install --upgrade pymupdf - 2
Extrair texto de um PDF
python -c "import pymupdf; doc = pymupdf.open('document.pdf'); [print(p.get_text()) for p in doc]"
Antes de usar
- O suporte a documentos do Office exige uma chave de licença. Sem ela, só é possível acessar as 3 primeiras páginas.
- A biblioteca principal é licenciada sob AGPL-3.0, que impõe obrigações de copyleft para uso em rede ou distribuição.
Tópicos
Perguntas frequentes
- O que é PyMuPDF?
- Biblioteca Python de alto desempenho para extrair, analisar, converter, renderizar e editar PDFs e outros formatos de documento, baseada no mecanismo MuPDF. PyMuPDF é um binding de Python para o MuPDF, um mecanismo leve em C para PDFs e outros formatos de documento. Ele permite que código Python leia textos com dados de fonte, tamanho, cor e posição, detecte e exporte tabelas, renderize páginas como imagens e extraia imagens incorporadas.
- PyMuPDF é gratuito? Qual é a licença?
- PyMuPDF é open source sob a licença AGPL-3.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
- PyMuPDF ainda é mantido?
- Manutenção ativa. O último commit de PyMuPDF foi em 20 de out. de 2026.
- Para que posso usar PyMuPDF?
- Inserir conteúdo de PDFs em um pipeline de LLM ou RAG como Markdown estruturado Extrair tabelas de relatórios financeiros ou governamentais para DataFrames Ocultar informações confidenciais de documentos antes de compartilhá-los Mesclar, dividir ou adicionar marcas d'água a PDFs em lote usando um script
- Como instalar PyMuPDF?
- Instalar o PyMuPDF pelo PyPI: pip install --upgrade pymupdf Extrair texto de um PDF: python -c "import pymupdf; doc = pymupdf.open('document.pdf'); [print(p.get_text()) for p in doc]"
- Onde consigo PyMuPDF?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/pymupdf/PyMuPDF
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Parser rápido e local de PDFs e documentos em Rust, com extração de texto por caixas delimitadoras, OCR via Tesseract ou HTTP e saída em Markdown, JSON ou texto.
12,9 mil886RustApache-2.0Atualizado há 8 dias
Parser de documentos open source que converte PDFs, arquivos do Office e imagens em Markdown ou JSON para fluxos de trabalho com LLMs e agentes.
82,1 mil6,8 milPythonOtherAtualizado ontem
Parser de documentos open source que converte PDFs, arquivos do Office, HTML e outros formatos em dados estruturados para pipelines de IA generativa.
69,1 mil5,1 milPythonMITAtualizado há 22 horas
Parser de PDF open source que converte PDFs em Markdown, JSON com caixas delimitadoras e HTML para pipelines de IA, além de adicionar tags automaticamente a PDFs sem tags.
29,8 mil2,8 milJavaApache-2.0Atualizado há 8 horas
Biblioteca Rust e CLI que detectam se um PDF contém texto ou é digitalizado e convertem PDFs com texto em Markdown limpo, sem OCR.
19,7 mil1,3 milRustMITAtualizado há 13 dias