脚本之家 服务器常用软件
快捷导航
您的位置：首页 → 脚本专栏 → python → python 提取pdf中的图片

python 三种方法提取pdf中的图片

 更新时间：2021年02月07日 11:29:10   作者：刘早起  
这篇文章主要介绍了python 三种方法提取pdf中的图片，帮助大家更好的理解和使用python，感兴趣的朋友可以了解下

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脚本之家其它相关文章！

您可能感兴趣的文章:

相关文章

  • opencv绘制矩形和圆的实现

    opencv绘制矩形和圆的实现

    本文主要介绍了opencv绘制矩形和圆的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
    2023-02-02
  • keras model.fit 解决validation_spilt=num 的问题

    keras model.fit 解决validation_spilt=num 的问题

    这篇文章主要介绍了keras model.fit 解决validation_spilt=num 的问题，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2020-06-06
  • Pytorch中的masked_fill基本知识详解

    Pytorch中的masked_fill基本知识详解

    本文介绍了PyTorch中masked_fill函数的基本使用和原理,该函数接受一个输入张量和一个布尔掩码作为参数,掩码的形状必须与输入张量相同,True表示需要填充的位置,False表示保持原值
    2024-10-10
  • Python创建Getter和Setter的方法详解

    Python创建Getter和Setter的方法详解

    Getters 和 Setters 是帮助我们设置类变量或属性而无需直接访问的方法,这篇文章主要和大家介绍了如何在Python中创建Getter和Setter,需要的可以参考下
    2023-10-10
  • 提升Python Web应用性能的10个关键技巧

    提升Python Web应用性能的10个关键技巧

    Python作为一种强大的编程语言,在Web开发领域也有着广泛的应用,通过结合Python的灵活性和一些高性能的框架和工具,我们可以构建出高性能的Web应用程序,本文将介绍一些关键的技术和方法,帮助你在Python环境下构建高性能的Web应用程序,需要的朋友可以参考下
    2024-07-07
  • 基于Python Numpy的数组array和矩阵matrix详解

    基于Python Numpy的数组array和矩阵matrix详解

    下面小编就为大家分享一篇基于Python Numpy的数组array和矩阵matrix详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2018-04-04
  • 我用Python做个AI出牌器斗地主把把赢

    我用Python做个AI出牌器斗地主把把赢

    这篇文章主要介绍了我是如何用Python做的AI出牌器，本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下
    2021-08-08
  • Python实现批量上传本地maven库到nexus

    Python实现批量上传本地maven库到nexus

    这篇文章主要为大家详细介绍了如何使用Python实现批量上传本地maven库到nexus,文中的示例代码讲解详细,具有一定的借鉴价值,需要的小伙伴可以参考下
    2024-01-01
  • 使用Python设置Excel单元格数字的显示格式

    使用Python设置Excel单元格数字的显示格式

    Python语言可以帮助我们灵活设置Excel单元格的数字格式,保证数据的一致性与专业标准,本文将介绍如何使用Python对Excel工作表中单元格的数字格式进行设置,文中通过代码示例介绍的非常详细,需要的朋友可以参考下
    2024-06-06
  • python+numpy实现的基本矩阵操作示例

    python+numpy实现的基本矩阵操作示例

    这篇文章主要介绍了python+numpy实现的基本矩阵操作,结合实例形式分析了Python使用numpy模块针对矩阵进行创建、增删查改、索引、运算相关操作实现技巧,注释中包含有详细的说明,需要的朋友可以参考下
    2019-07-07

最新评论