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(" 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(" 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:
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!
免责声明:本站文章均来自网站采集或用户投稿,网站不提供任何软件下载或自行开发的软件! 如有用户或公司发现本站内容信息存在侵权行为,请邮件告知! 858582#qq.com
更新日志
- 小骆驼-《草原狼2(蓝光CD)》[原抓WAV+CUE]
- 群星《欢迎来到我身边 电影原声专辑》[320K/MP3][105.02MB]
- 群星《欢迎来到我身边 电影原声专辑》[FLAC/分轨][480.9MB]
- 雷婷《梦里蓝天HQⅡ》 2023头版限量编号低速原抓[WAV+CUE][463M]
- 群星《2024好听新歌42》AI调整音效【WAV分轨】
- 王思雨-《思念陪着鸿雁飞》WAV
- 王思雨《喜马拉雅HQ》头版限量编号[WAV+CUE]
- 李健《无时无刻》[WAV+CUE][590M]
- 陈奕迅《酝酿》[WAV分轨][502M]
- 卓依婷《化蝶》2CD[WAV+CUE][1.1G]
- 群星《吉他王(黑胶CD)》[WAV+CUE]
- 齐秦《穿乐(穿越)》[WAV+CUE]
- 发烧珍品《数位CD音响测试-动向效果(九)》【WAV+CUE】
- 邝美云《邝美云精装歌集》[DSF][1.6G]
- 吕方《爱一回伤一回》[WAV+CUE][454M]