三種方法，Python輕松提取PDF中全部圖片
↑ 關(guān)注 + 星標(biāo) ，每天學(xué)Python新技能
后臺回復(fù)【大禮包】送你Python自學(xué)大禮包
有時我們需要將一份或者多份PDF文件中的圖片提取出來，如果采取在線的網(wǎng)站實現(xiàn)的話又擔(dān)心圖片泄漏，手動操作又覺得麻煩，其實用Python也可以輕松搞定！
今天就跟大家系統(tǒng)分享幾種Python提取 PDF 圖片的方法。其實沒有非常完美的方法，每種方法提取效率都不是百分之百，因此可以考慮用多種方法進(jìn)行互補，主要將涉及：
基于 fitz庫和正則搜索提取圖片基于 pdf2image庫的兩種方法提取圖片
基于 fitz 庫和正則搜索
fitz 是 pymupdf 的子模塊，需要先用命令行安裝 pymupdf：
pip install pymupdf
但注意導(dǎo)入時使用 import fitz 導(dǎo)入模塊!
下面的代碼就利用 fitz 庫提取圖片需要通過正則匹配圖片元素，將模板元素轉(zhuǎn)化為像素后再以圖片形式寫出
import fitz
import re
import os
file_path = r'C:\xxx\xxx.pdf' # PDF 文件路徑
dir_path = r'C:\xxx' # 存放圖片的文件夾
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)
運行提取示例文件后結(jié)果如下：
可以看到，有一些很小的色塊也被提取成圖片，那么怎么過濾掉它們呢？
有一個簡單的方法是通過大小過濾，pix 像素在 fitz 庫中存在一個重要的方法 pix.size 可以反映像素多少，簡單的色素塊該值較低，可以通過設(shè)置一個閾值過濾。以閾值 10000 為例過濾：
import fitz
import re
import os
file_path = r'C:\xxx\xxx.pdf' # PDF 文件路徑
dir_path = r'C:\xxx' # 存放圖片的文件夾
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: # 在這里添加一處判斷一個循環(huán)
continue # 不符合閾值則跳過至下
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，全部圖片都被正常提取！
基于 pdf2image 庫的兩種方法
一看名字就知道這個庫的用處了，官方文檔為https://www.cnpython.com/pypi/pdf2image
可以簡單通過 pip install pdf2image 安裝，但poppler才是真正起做用的轉(zhuǎn)換器，因此需要額外安裝和配置：
“”
windows用戶必須安裝 poppler for Windows，然后將bin/文件夾添加到PATHMac用戶必須安裝 poppler for Mac
具體發(fā)揮作用的代碼官方文檔也給出了詳細(xì)的說明：
那么我們就分別嘗試這兩種方法：
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 文件路徑
dir_path = r'C:\xxx' # 存放圖片的文件夾
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)
可以成功提取圖片。再試試第二種方法：
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 文件路徑
dir_path = r'C:\xxx' # 存放圖片的文件夾
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)
可以看到結(jié)果和之前一致，PDF中全部圖片都被提取出來！
再補充一下。核心方法covert_from_bytes包含大量參數(shù)，可以自行修改。幾個常用參數(shù)總結(jié)如下：
| 參數(shù) | 意義 |
|---|---|
| pdf_path | PDF 文檔路徑 |
| dpi | 圖像質(zhì)量（如果是學(xué)術(shù)期刊雜志常見 300dpi） |
| output_folder | 將生成的圖像寫入文件夾（而不是直接寫入內(nèi)存） |
| first_page | 起始轉(zhuǎn)換頁數(shù) |
| last_page | 轉(zhuǎn)換至哪一頁 |
| fmt | 圖像格式，可以指定為 png，默認(rèn)為 ppm |
| thread_count | 允許參與轉(zhuǎn)換的線程數(shù) |
| userpw | PDF 的密碼 |
| output_file | 輸出文件名 |
| poppler_path | 指定 poppler 的安裝路徑，一開始配置好就無需指定 |
值得一提的是thread_count 參數(shù)，可以啟動多線程會大大加快轉(zhuǎn)換速度，尤其是 PDF 頁面較多時。有興趣的讀者可以做嘗試。
-END-
見面禮
掃碼加我微信備注「三劍客」送你上圖三本Python入門電子書
推薦閱讀
點分享 點收藏 點點贊 點在看
