python 提取pdf中的图片 python 三种方法提取pdf中的图片(IT技术) |
您所在的位置：网站首页 › python提取pdf的数据 › python 提取pdf中的图片 python 三种方法提取pdf中的图片(IT技术) |
python 提取pdf中的图片 python 三种方法提取pdf中的图片(IT技术)
|
想了解python 三种方法提取pdf中的图片的相关内容吗，刘早起在本文为您仔细讲解python 提取pdf中的图片的相关知识和一些Code实例，欢迎阅读和指正，我们先划重点：python,提取图片,python,提取pdf图片,python,pdf，下面大家一起来学习吧。
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PATH Mac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。 相关文章Python将地址标记在地图上 怎样用用Python将地址标记在地图上python 中文名转换为拼音 python 批量将中文名转换为拼音python数据抓取 python数据抓取3种方法总结Python调用SMTP服务自动发送Email Python调用SMTP服务自动发送EmailPython3使用split() Python3.9.1中使用split()的处理方法(推荐)理解了这三点，才敢说自己会写Python代码Python数据预处理小工具 使用Python制作一个数据预处理小工具(多种操Python3.9.1中如何使用split()方法？M1芯片安装mysql8.0 M1芯片安装mysql8.0数据库的实MySQL DATE_FORMAT MySQL的DATE_FORMAT函数的使用 |
【本文地址】
今日新闻 |
推荐新闻 |