欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

python 三种方法提取pdf中的图片

程序员文章站 2022-04-14 09:49:42
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...

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:

python 三种方法提取pdf中的图片

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:\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)

python 三种方法提取pdf中的图片

可以看到,全部图片都被正常提取!

基于 pdf2image 库的两种方法

一看名字就知道这个库的用处了,官方文档为

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:

python 三种方法提取pdf中的图片

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:\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)

python 三种方法提取pdf中的图片

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。

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其它相关文章!