三种方法，Python轻松提取PDF中全部图片

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了三种方法，Python轻松提取PDF中全部图片，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含4897字，纯文字阅读大概需要7分钟。

内容图文

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？

很多人学习python，不知道从何学起。
很多人学习python，掌握了基本语法过后，不知道在哪里寻找案例上手。
很多已经做案例的人，却不知道如何去学习更加高深的知识。
那么针对这三类人，我给大家提供一个好的学习平台，免费领取视频教程，电子书籍，以及课程的源代码！
QQ群：810735403

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：

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。

在这里还是要推荐下我自己建的Python开发交流学习（qq）群:810735403，群里都是学Python开发的，如果你正在学习Python ，欢迎你加入，大家都是软件开发党，不定期分享干货（只有Python软件开发相关的），包括我自己整理的一份2021最新的Python进阶资料和高级开发教程，欢迎进阶中和想深入Python的小伙伴！

内容总结

以上是互联网集市为您收集整理的三种方法，Python轻松提取PDF中全部图片全部内容，希望文章能够帮你解决三种方法，Python轻松提取PDF中全部图片所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端