python 三种方法提取pdf中的图片


Posted in Python onFebruary 07, 2021

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三水点靠木其它相关文章!

Python 相关文章推荐
简介Django中内置的一些中间件
Jul 24 Python
Python全局变量用法实例分析
Jul 19 Python
正确理解python中的关键字“with”与上下文管理器
Apr 21 Python
Python实现的堆排序算法原理与用法实例分析
Nov 22 Python
python matplotlib折线图样式实现过程
Nov 04 Python
使用python的pyplot绘制函数实例
Feb 13 Python
Python定义函数实现累计求和操作
May 03 Python
Python列表推导式实现代码实例
Sep 09 Python
Python内置函数及功能简介汇总
Oct 13 Python
用python对oracle进行简单性能测试
Dec 05 Python
PyTorch中clone()、detach()及相关扩展详解
Dec 09 Python
使用pycharm运行flask应用程序的详细教程
Jun 07 Python
Python 转移文件至云对象存储的方法
Feb 07 #Python
Python调用SMTP服务自动发送Email的实现步骤
Feb 07 #Python
Python3.9.1中使用split()的处理方法(推荐)
Feb 07 #Python
使用Python制作一个数据预处理小工具(多种操作一键完成)
Feb 07 #Python
Pandas数据分析的一些常用小技巧
Feb 07 #Python
使用python tkinter开发一个爬取B站直播弹幕工具的实现代码
Feb 07 #Python
python实现经典排序算法的示例代码
Feb 07 #Python
You might like
超级简单的发送邮件程序
2006/10/09 PHP
php 深入理解strtotime函数的使用详解
2013/05/23 PHP
将word转化为swf 如同百度文库般阅读实现思路及代码
2013/08/09 PHP
jquery实现瀑布流效果分享
2014/03/26 Javascript
jQuery实现单击按钮遮罩弹出对话框(仿天猫的删除对话框)
2014/04/10 Javascript
jquery easyui 结合jsp简单展现table数据示例
2014/04/18 Javascript
javascript设置和获取cookie的方法实例详解
2016/01/05 Javascript
详谈javascript异步编程
2016/02/21 Javascript
js实现不重复导入的方法
2016/03/02 Javascript
jQuery通用的全局遍历方法$.each()用法实例
2016/07/04 Javascript
jQuery视差滚动效果网页实现方法经验总结
2016/09/29 Javascript
Ajax的概述与实现过程
2016/11/18 Javascript
Vue.js bootstrap前端实现分页和排序
2017/03/10 Javascript
vue .sync修饰符的使用详解
2018/06/15 Javascript
解决vue-cli脚手架打包后vendor文件过大的问题
2018/09/27 Javascript
Vue自动构建发布脚本的方法示例
2020/07/24 Javascript
[58:18]2018DOTA2亚洲邀请赛3月29日 小组赛B组 iG VS Mineski
2018/03/30 DOTA
浅析Python中signal包的使用
2015/11/13 Python
Django自定义用户认证示例详解
2018/03/14 Python
Python3读取Excel数据存入MySQL的方法
2018/05/04 Python
Python实现全排列的打印
2018/08/18 Python
python list格式数据excel导出方法
2018/10/31 Python
Pyinstaller 打包exe教程及问题解决
2019/08/16 Python
Python中如何将一个类方法变为多个方法
2019/12/30 Python
ansible动态Inventory主机清单配置遇到的坑
2020/01/19 Python
解决Keras中Embedding层masking与Concatenate层不可调和的问题
2020/06/18 Python
CSS3实现多样的边框效果
2018/05/04 HTML / CSS
文明学生标兵事迹
2014/01/21 职场文书
乡镇消防工作实施方案
2014/03/27 职场文书
11.9消防日宣传标语
2014/10/08 职场文书
放射科岗位职责
2015/02/14 职场文书
药品销售员2015年终工作总结
2015/10/22 职场文书
2016年基层党组织公开承诺书
2016/03/25 职场文书
OpenCV 图像梯度的实现方法
2021/07/25 Python
gojs实现蚂蚁线动画效果
2022/02/18 Javascript
mysql insert 存在即不插入语法说明
2022/03/25 MySQL