脚本之家 服务器常用软件
快捷导航
您的位置：首页 → 脚本专栏 → python → python 提取pdf中的图片

python 三种方法提取pdf中的图片

 更新时间：2021年02月07日 11:29:10   作者：刘早起  
这篇文章主要介绍了python 三种方法提取pdf中的图片，帮助大家更好的理解和使用python，感兴趣的朋友可以了解下

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。

以上就是python 三种方法提取pdf中的图片的详细内容，更多关于python 提取pdf中的图片的资料请关注脚本之家其它相关文章！

您可能感兴趣的文章:

相关文章

  • Python 处理日期时间的Arrow库使用

    Python 处理日期时间的Arrow库使用

    这篇文章主要介绍了Python 处理日期时间的Arrow库使用，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
    2020-08-08
  • python实现手势识别的示例（入门）

    python实现手势识别的示例（入门）

    这篇文章主要介绍了python实现手势识别的示例（入门），文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
    2020-04-04
  • Python的Django框架安装全攻略

    Python的Django框架安装全攻略

    这篇文章主要介绍了Python的Django框架安装全攻略,其中包括Trunk版本的安装方法,是上手Django的超给力教程!需要的朋友可以参考下
    2015-07-07
  • python将处理好的图像保存到指定目录下的方法

    python将处理好的图像保存到指定目录下的方法

    今天小编就为大家分享一篇python将处理好的图像保存到指定目录下的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2019-01-01
  • numpy之多维数组的创建全过程

    numpy之多维数组的创建全过程

    这篇文章主要介绍了numpy之多维数组的创建全过程，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教
    2023-05-05
  • Python构建网页爬虫原理分析

    Python构建网页爬虫原理分析

    这篇文章主要给大家讲解了构建网页爬虫的技术原理以及实现的逻辑关系，有兴趣的朋友阅读下吧。
    2017-12-12
  • 利用Python爬取微博数据生成词云图片实例代码

    利用Python爬取微博数据生成词云图片实例代码

    这篇文章主要给大家介绍了关于利用Python爬取微博数据生成词云图片的相关资料，文中通过示例代码介绍非常详细，对大家学习或者使用python具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧。
    2017-08-08
  • Python Bytes压缩新手速成

    Python Bytes压缩新手速成

    掌握Python Bytes压缩的秘诀,让你的数据轻装上阵！本指南将带你一探Bytes压缩的奥秘,告别臃肿的数据,快来发现如何让你的代码和应用在性能高速公路上驰骋吧！
    2023-12-12
  • pygame实现俄罗斯方块游戏（基础篇1）

    pygame实现俄罗斯方块游戏（基础篇1）

    这篇文章主要为大家介绍了pygame实现俄罗斯方块游戏基础的第1篇，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
    2019-10-10
  • Python实现根据日期获取当天凌晨时间戳的方法示例

    Python实现根据日期获取当天凌晨时间戳的方法示例

    这篇文章主要介绍了Python实现根据日期获取当天凌晨时间戳的方法,涉及Python针对日期与时间戳的相关转换、运算等操作技巧,需要的朋友可以参考下
    2019-04-04

最新评论