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
![三种方法,Python轻松提取PDF中全部图片](/upload/InfoBanner/zyjiaocheng/609/5fd52bafe32142efa42e63d857b82b44.jpg)
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PATHMac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。
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
扫描二维码推送至手机访问。