[Python] 自动化办公 多种提取PDF图片的方法

转载请注明：陈熹 [email protected] （号：半为花间酒）
若公众号内转载请联系公众号：早起Python

这篇文章能学到的主要内容：

1. 基于 fitz 库和正则搜索提取图片
2. 基于 pdf2image 库的两种方法提取图片

https://pan.baidu.com/s/1dnJhtrYEdSfdSY9yu6ErkQ提取码：12z1

我们拿到一个 PDF 文件时，有时是因为兴趣有时是因为办公任务，希望将 PDF 中所有图片存到一个指定的位置。这个问题看似简单，实际上如果是手动操作较困难，不借助其他工具基本没办法完成。最后常常会变成截图保存，效率低的同时又损失了一定清晰度

在办公场景中这样的需求并不少见，因此今天跟大家系统分享几种提取 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

1. 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
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：

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：

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)

2. 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：

1. windows用户必须安装poppler for Windows，然后将bin/文件夹添加到PATH
2. 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)

结果和之前一致，这里就不再重复展示

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 thread_count 参数，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。