python 三种方法提取pdf中的图片

缺乏、安全感 2022-10-29 01:47 207阅读 0赞

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：

1  
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

1  
2  
3  
4  
5  
6  
7  
8  
9  
10  
11  
12  
13  
14  
15  
16  
17  
18  
19  
20  
21  
22  
23  
24  
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：

1  
2  
3  
4  
5  
6  
7  
8  
9  
10  
11  
12  
13  
14  
15  
16  
17  
18  
19  
20  
21  
22  
23  
24  
25  
26  
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：

1  
2  
3  
4  
5  
6  
7  
8  
9  
10  
11  
12  
13  
14  
15  
16  
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：

1  
2  
3  
4  
5  
6  
7  
8  
9  
10  
11  
12  
13  
14  
15  
16  
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