Python提取PDF中的图片

# 2018/08/16更新：

有些同学不知道fitz库是什么，它是pymupdf中的一个模块，操作PDF非常舒服，只需要pip安装即可：

pip install pymupdf

Python提取word中的图片(需要的自取）：

Python提取Word中的图片

最近项目需要把word、PDF中的图片专门提取出来保存到另外的文件夹，最终成功实现；

最近项目需要把word、PDF中的图片专门提取出来保存到另外的文件夹，最终成功实现；

最近项目需要把word、PDF中的图片专门提取出来保存到另外的文件夹，最终成功实现；

重要的事情说三遍，详细步骤记录如下：
 

目录

1.倒入相关库

2.具体实现

2.1使用正则表达式查找PDF中的图片

2.3打印PDF的相关信息

2.4遍历PDF中的对象，遇到是图像才进行下一步，不然就continue

2.5将图像存为png格式

2.6输入pdf路径，即可运行

3.结果预览

3.1程序结果：

3.2原本的pdf:

3.3提取出来的图片

---

1.倒入相关库

import fitz
import time
import re
import os

2.具体实现

为了方便和其他模块组合，我直接写了个函数完成这个功能，实现如下：

2.1使用正则表达式查找PDF中的图片

def pdf2pic(path, pic_path):
    '''
    # 从pdf中提取图片
    :param path: pdf的路径
    :param pic_path: 图片保存的路径
    :return:
    '''
    t0 = time.clock()
    # 使用正则表达式来查找图片
    checkXO = r"/Type(?= */XObject)" 
    checkIM = r"/Subtype(?= */Image)"  

2.3打印PDF的相关信息

    # 打开pdf
    doc = fitz.open(path)
    # 图片计数
    imgcount = 0
    lenXREF = doc._getXrefLength()

    # 打印PDF的信息
    print("文件名:{}, 页数: {}, 对象: {}".format(path, len(doc), lenXREF - 1))

2.4遍历PDF中的对象，遇到是图像才进行下一步，不然就continue

并且我们将文件的名字命名为word所在的路径

    # 遍历每一个对象
    for i in range(1, lenXREF):
        # 定义对象字符串
        text = doc.getObjectString(i)
        isXObject = re.search(checkXO, text)
        # 使用正则表达式查看是否是图片
        isImage = re.search(checkIM, text)
        # 如果不是对象也不是图片，则continue
        if not isXObject or not isImage:
            continue
        imgcount += 1
        # 根据索引生成图像
        pix = fitz.Pixmap(doc, i)
        # 根据pdf的路径生成图片的名称
        new_name = path.replace('\\', '_') + "_img{}.png".format(imgcount)
        new_name = new_name.replace(':', '')

2.5将图像存为png格式

        # 如果pix.n<5,可以直接存为PNG
        if pix.n < 5:
            pix.writePNG(os.path.join(pic_path, new_name))
        # 否则先转换CMYK
        else:
            pix0 = fitz.Pixmap(fitz.csRGB, pix)
            pix0.writePNG(os.path.join(pic_path, new_name))
            pix0 = None
        # 释放资源
        pix = None
        t1 = time.clock()
        print("运行时间:{}s".format(t1 - t0))
        print("提取了{}张图片".format(imgcount))

2.6输入pdf路径，即可运行

if __name__=='__main__':
    # pdf路径
    path = r'E:\dogcat\提取图片\计算机视觉算法工程师.pdf'
    pic_path = r'E:\dogcat\提取图片\测试'
    # 创建保存图片的文件夹
    if os.path.exists(pic_path):
        print("文件夹已存在，请重新创建新文件夹！")
        raise SystemExit
    else:
        os.mkdir(pic_path)
    m = pdf2pic(path, pic_path)

3.结果预览

3.1程序结果：

3.2原本的pdf:

3.3提取出来的图片