三种方法,Python轻松提取PDF中全部图片 |
您所在的位置:网站首页 › pdf 图片导出 › 三种方法,Python轻松提取PDF中全部图片 |
有时我们需要将一份或者多份PDF文件中的图片提取出来,如果采取在线的网站实现的话又担心图片泄漏,手动操作又觉得麻烦,其实用Python也可以轻松搞定! 今天就跟大家系统分享几种Python提取 PDF 图片的方法。其实没有非常完美的方法,每种方法提取效率都不是百分之百,因此可以考虑用多种方法进行互补,主要将涉及: 基于 fitz 库和正则搜索提取图片基于 pdf2image 库的两种方法提取图片基于 fitz 库和正则搜索fitz 是 pymupdf 的子模块,需要先用命令行安装 pymupdf: pip install pymupdf但注意导入时使用 import fitz 导入模块! 下面的代码就利用 fitz 库提取图片需要通过正则匹配图片元素,将模板元素转化为像素后再以图片形式写出 import fitz import re import os file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径 dir_path = r'C:\xxx' # 存放图片的文件夹 def pdf2image1(path, pic_path): checkIM = r"/Subtype(?= */Image)" pdf = fitz.open(path) lenXREF = pdf._getXrefLength() count = 1 for i in range(1, lenXREF): text = pdf._getXrefString(i) isImage = re.search(checkIM, text) if not isImage: continue pix = fitz.Pixmap(pdf, i) new_name = f"img_{count}.png" pix.writePNG(os.path.join(pic_path, new_name)) count += 1 pix = None pdf2image1(file_path, dir_path)运行提取示例文件后结果如下: ![]() 可以看到,有一些很小的色块也被提取成图片,那么怎么过滤掉它们呢? 有一个简单的方法是通过大小过滤,pix 像素在 fitz 库中存在一个重要的方法 pix.size 可以反映像素多少,简单的色素块该值较低,可以通过设置一个阈值过滤。以阈值 10000 为例过滤: import fitz import re import os file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径 dir_path = r'C:\xxx' # 存放图片的文件夹 def pdf2image1(path, pic_path): checkIM = r"/Subtype(?= */Image)" pdf = fitz.open(path) lenXREF = pdf._getXrefLength() count = 1 for i in range(1, lenXREF): text = pdf._getXrefString(i) isImage = re.search(checkIM, text) if not isImage: continue pix = fitz.Pixmap(pdf, i) if pix.size < 10000: # 在这里添加一处判断一个循环 continue # 不符合阈值则跳过至下 new_name = f"img_{count}.png" pix.writePNG(os.path.join(pic_path, new_name)) count += 1 pix = None pdf2image1(file_path, dir_path)![]() 可以看到,全部图片都被正常提取! 基于 pdf2image 库的两种方法一看名字就知道这个库的用处了,官方文档为https://www.cnpython.com/pypi/pdf2image 可以简单通过 pip install pdf2image 安装,但poppler才是真正起做用的转换器,因此需要额外安装和配置: “ windows用户必须安装poppler for Windows,然后将bin/文件夹添加到PATHMac用户必须安装poppler for Mac” 具体发挥作用的代码官方文档也给出了详细的说明: ![]() 那么我们就分别尝试这两种方法: from pdf2image import convert_from_path,convert_from_bytes import tempfile from pdf2image.exceptions import PDFInfoNotInstalledError, PDFPageCountError, PDFSyntaxError import os file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径 dir_path = r'C:\xxx' # 存放图片的文件夹 def pdf2image2(file_path, dir_path): images = convert_from_path(file_path, dpi=200) for image in images: if not os.path.exists(dir_path): os.makedirs(dir_path) image.save(file_path + f'\img_{images.index(image)}.png', 'PNG') pdf2image2(file_path, dir_path)可以成功提取图片。再试试第二种方法: from pdf2image import convert_from_path,convert_from_bytes import tempfile from pdf2image.exceptions import PDFInfoNotInstalledError, PDFPageCountError, PDFSyntaxError import os file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径 dir_path = r'C:\xxx' # 存放图片的文件夹 def pdf2image3(file_path, dir_path): images = convert_from_bytes(open(file_path, 'rb').read()) for image in images: if not os.path.exists(dir_path): os.makedirs(dir_path) image.save(file_path + f'\img_{images.index(image)}.png', 'PNG') pdf2image3(file_path, dir_path)![]() 可以看到结果和之前一致,PDF中全部图片都被提取出来! 再补充一下。核心方法covert_from_bytes包含大量参数,可以自行修改。几个常用参数总结如下: 参数 意义 pdf_path PDF 文档路径 dpi 图像质量(如果是学术期刊杂志常见 300dpi) output_folder 将生成的图像写入文件夹(而不是直接写入内存) first_page 起始转换页数 last_page 转换至哪一页 fmt 图像格式,可以指定为 png,默认为 ppm thread_count 允许参与转换的线程数 userpw PDF 的密码 output_file 输出文件名 poppler_path 指定 poppler 的安装路径,一开始配置好就无需指定 值得一提的是thread_count 参数,可以启动多线程会大大加快转换速度,尤其是 PDF 页面较多时。有兴趣的读者可以做尝试。 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |