跳转到主要内容

​
什么是 SoPDF

SoPDF 是一个面向 Python 的开源 PDF 处理库，覆盖从渲染、文本提取到结构编辑的完整流程。你可以用它构建文档解析、检索、拆分合并、批处理等生产级能力。
SoPDF 使用 Apache 2.0 许可证。你可以在个人项目、商业产品和开源项目中直接使用。

​
为什么选择 SoPDF

  • 高性能：在官方基准中，相比 PyMuPDF，SoPDF 在多个核心场景下表现更快（如渲染最高约 2.82x、纯文本提取约 2.74x、全文搜索约 3.17x）。
  • 能力完整：同时支持渲染、文本提取、搜索、拆分、合并、压缩保存、元数据与目录读取等。
  • API 直观：面向日常工程场景设计，学习成本低。
  • 许可友好：Apache 2.0，便于企业与开源社区使用和分发。

​
核心能力

能力说明
打开文档支持从文件路径、字节流、内存流打开 PDF
页面渲染支持渲染为 PNG/JPEG，支持批量与并行渲染
文本处理支持纯文本提取、带坐标文本块提取、关键词搜索
文档编辑支持拆分、合并、页面旋转、压缩保存
工程能力支持加密 PDF 读取与保存、损坏 PDF 自动修复
文档信息支持元数据读写与文档目录（TOC）读取

​
技术架构

SoPDF 采用双引擎协同架构：
  • pypdfium2（Google PDFium）：负责渲染、文本提取与搜索。
  • pikepdf（libqpdf）：负责结构读取、写入与保存压缩。
通过脏标记与热重载机制，写操作后可自动同步到读路径，避免你手动维护双引擎状态。

​
快速开始

pip install sopdf
环境要求：Python 3.10+。 
import sopdf

with sopdf.open("document.pdf") as doc:
	# 渲染
	img_bytes = doc[0].render(dpi=150)

	# 提取文本
	text = doc[0].get_text()
	blocks = doc[0].get_text_blocks()

	# 搜索
	hits = doc[0].search("invoice", match_case=False)

	# 拆分与合并
	part = doc.split(pages=[0, 1, 2], output="chapter1.pdf")
	sopdf.merge(["intro.pdf", "body.pdf"], output="book.pdf")

	# 保存
	doc.append(part)
	doc.save("out.pdf", compress=True, garbage=True)

​
资源与生态

  • 项目仓库：SoMarkAI/SoPDF
  • PyPI 包：sopdf
  • 示例代码：仓库 examples/ 目录
  • 性能基准：仓库 tests/benchmark/ 目录

​
开源协议

Apache License 2.0