python 三种方法提取pdf中的图片
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
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其它相关文章!
上一篇: mysql实现自增序列的示例代码
下一篇: 女佣高兴地附和