三種方法，Python輕松提取PDF中全部圖片

今天就跟大家系統(tǒng)分享幾種Python提取 PDF 圖片的方法。其實(shí)沒(méi)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(bǔ)，主要將涉及：

• 基于 fitz 庫(kù)和正則搜索提取圖片
• 基于 pdf2image 庫(kù)的兩種方法提取圖片

基于 fitz 庫(kù)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(shí)使用 import fitz 導(dǎo)入模塊!

下面的代碼就利用 fitz 庫(kù)提取圖片需要通過(guò)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(xiě)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(yùn)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(guò)濾掉它們呢？

有一個(gè)簡(jiǎn)單的方法是通過(guò)大小過(guò)濾，pix 像素在 fitz 庫(kù)中存在一個(gè)重要的方法 pix.size 可以反映像素多少，簡(jiǎn)單的色素塊該值較低，可以通過(guò)設(shè)置一個(gè)閾值過(guò)濾。以閾值 10000 為例過(guò)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(gè)循環(huán)
????????????continue?#?不符合閾值則跳過(guò)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(kù)的兩種方法

一看名字就知道這個(gè)庫(kù)的用處了，官方文檔為https://www.cnpython.com/pypi/pdf2image

可以簡(jiǎn)單通過(guò) 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(hù)必須安裝poppler for Windows，然后將bin/文件夾添加到PATH
• Mac用戶(hù)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(shuō)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(lái)！

再補(bǔ)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(gè)常用參數(shù)總結(jié)如下：

值得一提的是thread_count 參數(shù)，可以啟動(dòng)多線(xiàn)程會(huì)大大加快轉(zhuǎn)換速度，尤其是 PDF 頁(yè)面較多時(shí)。有興趣的讀者可以做嘗試。

加入知識(shí)星球【我們談?wù)摂?shù)據(jù)科學(xué)】

300+小伙伴一起學(xué)習(xí)！

---

---

---

---

· 推薦閱讀?·

在Python中一馬平川的書(shū)寫(xiě)代碼！

Python+Dash快速web應(yīng)用開(kāi)發(fā)：回調(diào)交互篇（下）

Scikit-learn 更新至0.24版，這10個(gè)新特性你需要了解