4个月前 (02-01)  技术资料 |   抢沙发  10 
文章评分 0 次,平均分 0.0
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:
1pip 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
1import fitz
2import re
3import os
4
5file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径
6dir_path = r'C:\xxx' # 存放图片的文件夹
7
8def pdf2image1(path, pic_path):
9    checkIM = r"/Subtype(?= */Image)"
10    pdf = fitz.open(path)
11    lenXREF = pdf._getXrefLength()
12    count = 1
13    for i in range(1, lenXREF):
14        text = pdf._getXrefString(i)
15        isImage = re.search(checkIM, text)
16        if not isImage:
17            continue
18        pix = fitz.Pixmap(pdf, i)
19        new_name = f"img_{count}.png"
20        pix.writePNG(os.path.join(pic_path, new_name))
21        count += 1
22        pix = None
23
24pdf2image1(file_path, dir_path)
运行提取示例文件后结果如下:
三种方法,用Python轻松提取PDF中的全部图片
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:
1import fitz
2import re
3import os
4
5file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径
6dir_path = r'C:\xxx' # 存放图片的文件夹
7
8def pdf2image1(path, pic_path):
9    checkIM = r"/Subtype(?= */Image)"
10    pdf = fitz.open(path)
11    lenXREF = pdf._getXrefLength()
12    count = 1
13    for i in range(1, lenXREF):
14        text = pdf._getXrefString(i)
15        isImage = re.search(checkIM, text)
16        if not isImage:
17            continue
18        pix = fitz.Pixmap(pdf, i)
19        if pix.size < 10000: # 在这里添加一处判断一个循环
20            continue # 不符合阈值则跳过至下
21        new_name = f"img_{count}.png"
22        pix.writePNG(os.path.join(pic_path, new_name))
23        count += 1
24        pix = None
25
26pdf2image1(file_path, dir_path)
三种方法,用Python轻松提取PDF中的全部图片
可以看到,全部图片都被正常提取!
基于 pdf2image 库的两种方法
看名字就知道这个库的用处,官方文档:
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:
三种方法,用Python轻松提取PDF中的全部图片
那么我们就分别尝试这两种方法:
1from pdf2image import convert_from_path,convert_from_bytes
2import tempfile
3from pdf2image.exceptions import PDFInfoNotInstalledError, PDFPageCountError, PDFSyntaxError
4import os
5
6file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径
7dir_path = r'C:\xxx' # 存放图片的文件夹
8
9def pdf2image2(file_path, dir_path):
10    images = convert_from_path(file_path, dpi=200)
11    for image in images:
12        if not os.path.exists(dir_path):
13            os.makedirs(dir_path)
14        image.save(file_path + f'\img_{images.index(image)}.png', 'PNG')
15
16pdf2image2(file_path, dir_path)
可以成功提取图片。再试试第二种方法:
1from pdf2image import convert_from_path,convert_from_bytes
2import tempfile
3from pdf2image.exceptions import PDFInfoNotInstalledError, PDFPageCountError, PDFSyntaxError
4import os
5
6file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径
7dir_path = r'C:\xxx' # 存放图片的文件夹
8
9def pdf2image3(file_path, dir_path):
10    images = convert_from_bytes(open(file_path, 'rb').read())
11    for image in images:
12        if not os.path.exists(dir_path):
13            os.makedirs(dir_path)
14        image.save(file_path + f'\img_{images.index(image)}.png', 'PNG')
15
16pdf2image3(file_path, dir_path)
三种方法,用Python轻松提取PDF中的全部图片
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。

 

除特别注明外,本站所有文章均为安装打印机网原创,转载请注明出处来自https://www.azdyj.com/15956.html

发表评论

暂无评论

登录

忘记密码 ?

切换登录

注册