CDA数据科学研究院 CDA考试中心 CDA人工智能学院 企业服务 关于CDA

cda数字化人才认证标准

全国校区

您的位置:首页 > 精彩阅读 > 三种方法,Python轻松提取PDF中全部图片

三种方法,Python轻松提取PDF中全部图片

2021-01-25

来源:早起Python

作者:陈熹、刘早起

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

1.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:xxxxxx.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:

三种方法,Python轻松提取PDF中全部图片

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:

import fitz import re import os

file_path = r'C:xxxxxx.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)
三种方法,Python轻松提取PDF中全部图片

可以看到,全部图片都被正常提取!

2.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:

三种方法,Python轻松提取PDF中全部图片

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:xxxxxx.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:xxxxxx.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)
三种方法,Python轻松提取PDF中全部图片

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:

三种方法,Python轻松提取PDF中全部图片

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。

完 谢谢观看

展开阅读全文
分享
收藏

OK