完全忘记正则表达式！
PyMuPDF只需要一个方法就可以提取页面的文本和图像：

doc = fitz.open("your.pdf")  # open your file

page = doc[0]  # example: first page

blocks = page.get_text("dict")["blocks"]  # combined text / image extraction

for block in blocks:  # each block is either text or an image
    if block["type"] == 1:  # this is an image
        # do something with the image
    else:  # this is a text block
        for line in block["lines"]:
            for span in line["spans"]:
                print(span["text"])  # do something with the piece of text

***图像块***是具有完整图像 meta信息、页面上的位置以及二进制图像数据的字典。这可以例如用于将图像保存在常规图像文件中。

文本块可以被认为是一个文本段落。它由行组成，每行由一个或多个文本“跨度”组成。所有这些信息块都带有位置信息，书写方向，字体信息和文本颜色。
get_text()方法非常灵活，支持的输出格式不仅仅是“dict”。其他的选择包括HTML / XML输出或详细到每个字符的信息。您还可以取消选择图像提取，或将提取限制在页面矩形的一部分，等等。