新闻  |   论坛  |   博客  |   在线研讨会
三种方法,用Python轻松提取PDF中的全部图片
AI科技大本营 | 2021-02-01 19:28:37    阅读:166   发布文章

以下文章来源于早起Python ,作者陈熹、刘早起

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

01 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:

1pip 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

 1import fitz

 2import re

 3import os

 4

 5file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径

 6dir_path = r'C:\xxx' # 存放图片的文件夹

 7

 8def pdf2image1(path, pic_path):

 9    checkIM = r"/Subtype(?= */Image)"

10    pdf = fitz.open(path)

11    lenXREF = pdf._getXrefLength()

12    count = 1

13    for i in range(1, lenXREF):

14        text = pdf._getXrefString(i)

15        isImage = re.search(checkIM, text)

16        if not isImage:

17            continue

18        pix = fitz.Pixmap(pdf, i)

19        new_name = f"img_{count}.png"

20        pix.writePNG(os.path.join(pic_path, new_name))

21        count += 1

22        pix = None

23

24pdf2image1(file_path, dir_path)

运行提取示例文件后结果如下:

2.png

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:

 1import fitz

 2import re

 3import os

 4

 5file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径

 6dir_path = r'C:\xxx' # 存放图片的文件夹

 7

 8def pdf2image1(path, pic_path):

 9    checkIM = r"/Subtype(?= */Image)"

10    pdf = fitz.open(path)

11    lenXREF = pdf._getXrefLength()

12    count = 1

13    for i in range(1, lenXREF):

14        text = pdf._getXrefString(i)

15        isImage = re.search(checkIM, text)

16        if not isImage:

17            continue

18        pix = fitz.Pixmap(pdf, i)

19        if pix.size < 10000: # 在这里添加一处判断一个循环

20            continue # 不符合阈值则跳过至下

21        new_name = f"img_{count}.png"

22        pix.writePNG(os.path.join(pic_path, new_name))

23        count += 1

24        pix = None

25

26pdf2image1(file_path, dir_path)

3.png

可以看到,全部图片都被正常提取!

02 基于 pdf2image 库的两种方法

看名字就知道这个库的用处,官方文档:

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:

5.png

那么我们就分别尝试这两种方法:

 1from pdf2image import convert_from_path,convert_from_bytes

 2import tempfile

 3from pdf2image.exceptions import PDFInfoNotInstalledError, PDFPageCountError, PDFSyntaxError

 4import os

 5

 6file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径

 7dir_path = r'C:\xxx' # 存放图片的文件夹

 8

 9def pdf2image2(file_path, dir_path):

10    images = convert_from_path(file_path, dpi=200)

11    for image in images:

12        if not os.path.exists(dir_path):

13            os.makedirs(dir_path)

14        image.save(file_path + f'\img_{images.index(image)}.png', 'PNG')

15

16pdf2image2(file_path, dir_path)

可以成功提取图片。再试试第二种方法:

 1from pdf2image import convert_from_path,convert_from_bytes

 2import tempfile

 3from pdf2image.exceptions import PDFInfoNotInstalledError, PDFPageCountError, PDFSyntaxError

 4import os

 5

 6file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径

 7dir_path = r'C:\xxx' # 存放图片的文件夹

 8

 9def pdf2image3(file_path, dir_path):

10    images = convert_from_bytes(open(file_path, 'rb').read())

11    for image in images:

12        if not os.path.exists(dir_path):

13            os.makedirs(dir_path)

14        image.save(file_path + f'\img_{images.index(image)}.png', 'PNG')

15

16pdf2image3(file_path, dir_path)

4.png

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。

*博客内容为网友个人发布,仅代表博主个人观点,如有侵权请联系工作人员删除。

参与讨论
登录后参与讨论
推荐文章
最近访客