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(shí)現(xiàn)的話又擔(dān)心圖片泄漏,手動操作又覺得麻煩,其實(shí)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(shí)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(bǔ),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:
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(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??!
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PATH
- Mac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(bǔ)充一下。核心方法covert_from_bytes
包含大量參數(shù),可以自行修改。幾個常用參數(shù)總結(jié)如下:
|
|
|
|
|
圖像質(zhì)量(如果是學(xué)術(shù)期刊雜志常見 300dpi)
|
|
將生成的圖像寫入文件夾(而不是直接寫入內(nèi)存)
|
|
|
|
|
|
圖像格式,可以指定為 png,默認(rèn)為 ppm
|
|
|
|
|
|
|
|
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。
以上就是python 三種方法提取pdf中的圖片的詳細(xì)內(nèi)容,更多關(guān)于python 提取pdf中的圖片的資料請關(guān)注腳本之家其它相關(guān)文章!
您可能感興趣的文章:- python解析PDF程序代碼
- python實(shí)現(xiàn)csdn全部博文下載并轉(zhuǎn)PDF
- Python合并多張圖片成PDF
- Python提取PDF指定內(nèi)容并生成新文件
- 詳解用Python把PDF轉(zhuǎn)為Word方法總結(jié)
- python操作mysql、excel、pdf的示例
- python pdfkit 中文亂碼問題的解決方案
- Python實(shí)現(xiàn)給PDF添加水印的方法
- Python讀取pdf表格寫入excel的方法
- Python 多張圖片合并成一個pdf的參考示例