Python处理PDF——PyMuPDF中图像的使用（2）

本文记录PyMuPDF库中有关Image的使用方法

关于PyMuPDF库的安装、介绍及基本使用可参考博客：
Python处理PDF——PyMuPDF的安装与使用(1)_ling620的专栏-CSDN博客

1、从文档页面生成图像

这个脚本将获取一个文档文件名，并将每个页面生成一个PNG文件保存在脚本目录中。
文档可以是任何受支持的类型，如PDF、XPS等。
该脚本作为命令行工具使用，它希望文件名作为参数提供。生成的图像文件（每页1个）存储在脚本的目录中：

import sys, fitz # import the binding

fname = sys.argv[1] # 从命令行获取文件名
doc = fitz.open(fname) # 打开文件
for page in doc: # iterate through the pages
    pix = page.get_pixmap() # render page to an image
    pix.save("page-%i.png" % page.number) # store image as a PNG

脚本目录现在将包含名为page-0.PNG、page-1.PNG等的PNG图像文件。

当前page.gete_pixmap()使用的是默认参数，得到的信息如下：

• 图片的页面尺寸将宽度和高度四舍五入为整数，例如，对于A4大小的页面，为595 x 842像素
• 在x和y维度的分辨率为96 dpi
• 没有透明度

page.get_pixmap()参数

def get_pixmap(
        self,
        matrix: AnyType = None,
        colorspace: "Colorspace" = None,
        alpha: False,
        clip: rect_like = None,
        annots: (bool)
    ) -> "Pixmap":

参数：

• matrix：矩阵，可以控制缩放、旋转、镜像等结果
• colorsapce：颜色空间，cmyk, rgb, gray 忽略大小写，默认是csRGB
• alpha：是否包含alpha通道，默认不包含
• clip：只渲染此矩形区域
• annots：是否同时渲染注释，为False表示不渲染注释

2、提升图像分辨率

文档页面的图像由一个Pixmap表示，创建Pixmap的最简单方法是通过方法page.get_Pixmap()。
此方法有许多影响结果的选项。其中最重要的是矩阵，它允许您缩放、旋转、扭曲或镜像结果。

默认情况下，Page.get_pixmap()将使用不起任何作用的标识矩阵。
在下面的例子中，我们对每个维度应用2的缩放因子，这将生成一幅分辨率提高四倍（也是大小的四倍）的图像：

zoom_x = 2.0 # horizontal zoom
zomm_y = 2.0 # vertical zoom
mat = fitz.Matrix(zoom_x, zomm_y) # zoom factor 2 in each dimension
pix = page.get_pixmap(matrix=mat) # use 'mat' instead of the identity matrix

由上面的例子可以看出，通过参数matrix可以实现结果矩阵的缩放。

3、创建部分像素贴图（Clips）

该部分应用于当只需要部分页面区域的图像，而不是整个页面的完整图像时。

使用示例：假设我们需要整个页面的右下角1/4处，且将其扩大4倍。
为了实现这一点，我们定义了一个矩形，该矩形等于我们希望在GUI中显示的区域，并将其称为“clip”。在PyMuPDF中构造矩形的一种方法是提供两个对角。

mat = fitz.Matrix(2, 2) # zoom factor 2 in each direction
rect = page.rect # the page rectangle
mp = (rect.tl + rect.br) / 2 # its middle point, becomes top-left of clip
clip = fitz.Rect(mp, rect.br) # 想要的区域
pix = page.get_pixmap(matrix=mat, clip=clip)

上面例子中，rect表示页面的矩形区域，rect.tl表示矩形区域的左上角，rect.br表示矩形区域的右下角。
参数clip使用fitz.Rect()类型表示。

4、PDF文档提取图像

与PDF中的任何其他“object”一样，图像由交叉参考号（xref，整数）标识。如果您知道此号码，则有两种方法可以访问图像数据：

• 使用pix = fitz.Pixmap(doc, xref)创建一个Pixmap图像
  • 这种方法非常快。pixmap的属性（宽度、高度等）将反应图像的内容。在这种情况下，无法判断嵌入的原始图像具有哪种图像格式。
• 使用img = doc.extract_image(xref)提取图像
  • 这是一个 包含二进制图像数据img["image"]的字典。还提供了大量元数据，大部分与图片的pixmap中找到的相同
  • 主要区别在于img["ext"]字符串，他指定了图像格式：除了"png"以外，还可以指定"jpeg", "bmp", "tiff"等字符串，将以指定格式存储在应按中
  • 这个方法的执行速度与pix=fitz.Pixmap(doc, xref)和pix.tobytes()的组合速度相比。如果嵌入的图像是PNG格式，则Document.extract_image()的速度大致相同（其二进制图像数据相同），否则，这种方法的速度要快上千倍，且图像数据要小的多。

如何获取xref的值呢？

1. 检查页面对象：遍历Page.get_images()的items，得到一个列表的列表，其项类似于[xref, smask, ...]，包含图像的xref。这个xref可以与上述方法一起使用。

   如果PDF没有损坏，则使用这个方法。

   请注意：同一图像可能会被多次引用（由不同页面引用）

2. “无需知道”：循环浏览文档的所有xref并为每一个执行Document.extract_image()。如果返回的字典是空的（表示这个xref没有图像），继续。

   如果PDF已损坏，则使用这个方法。

>>>page = doc[0]
>>>page.get_images()
[(10, 0, 414, 83, 8, 'DeviceRGB', '', 'Im5', 'DCTDecode'),
 (14, 0, 39, 41, 8, 'DeviceRGB', '', 'Im10', 'DCTDecode'),
 (15, 0, 34, 34, 8, 'DeviceRGB', '', 'Im11', 'DCTDecode'),
 (13, 0, 30, 30, 8, 'DeviceRGB', '', 'Im9', 'DCTDecode')]


>>>doc.get_page_images(0)
[(10, 0, 414, 83, 8, 'DeviceRGB', '', 'Im5', 'DCTDecode'),
 (14, 0, 39, 41, 8, 'DeviceRGB', '', 'Im10', 'DCTDecode'),
 (15, 0, 34, 34, 8, 'DeviceRGB', '', 'Im11', 'DCTDecode'),
 (13, 0, 30, 30, 8, 'DeviceRGB', '', 'Im9', 'DCTDecode')]

如上所示，使用page.get_images()或者doc.get_page_images(pno)就可以得到图像的列表值。列表中，每个元素为元组，元组的第一位就是xref值。

5、处理模板蒙版

PDF中的某些图像带有模板遮罩。在最简单的形式中，模具蒙版表示作为单独图像存储的alpha（透明度）字节。为了重建具有模具蒙版的图像的原始图像，必须使用从其模具蒙版中提取的透明度字节“丰富”图像。

在PyMuPDF中，可以通过以下两种方式之一识别图像是否具有这样的模板掩码：

• Document.get_page_images()的结果具有常规格式[xref，smask，…]，其中，xref是图像的外部参照，smask（如果为正）是模具遮罩的外部参照。
• Document.extract_image()的（字典）结果有一个键“smask”，如果为正，该键还包含任何模具掩码的外部参照。

如果smask==0，则可以按原样处理通过xref遇到的图像。
要使用PyMuPDF恢复原始图像，必须执行以下步骤：

>>> pix1 = fitz.Pixmap(doc, xref) # (1) pixmap of image w/o alpha
>>> pix2 = fitz.Pixmap(doc, smask) # (2) stencil pixmap
>>> pix = fitz.Pixmap(pix1) # (3) copy of pix1, empty alpha channel added
>>> pix.set_alpha(pix2.samples) # (4) fill alpha channel

步骤（1）创建“netto”图像的pixmap。步骤（2）对模板掩码执行相同的操作。请注意，pix2的Pixmap.samples属性包含必须存储在最终Pixmap中的alpha字节。这就是步骤（3）和（4）中发生的情况。

6、将图像制作为PDF文件

我们在这里展示了三个脚本，它们获取（图像和其他）文件的列表，并将它们全部放在一个PDF中。

方法1：将图像作为页面插入

第一个方法将每个图像转换为具有相同尺寸的PDF页面。结果将是一个PDF，每个图像一页。它仅适用于支持的图像文件格式：

import os, fitz
import PySimpleGUI as psg # for showing a progress bar

doc = fitz.open() # PDF with the pictures
imgdir = "D:/2012_10_05" # where the pics are
imglist = os.listdir(imgdir) # list of them
imgcount = len(imglist) # pic count
for i, f in enumerate(imglist):
    img = fitz.open(os.path.join(imgdir, f)) # 以document形式打开图片
    rect = img[0].rect # pic dimension
    pdfbytes = img.convert_to_pdf() # make a PDF stream
    img.close() # no longer needed
    imgPDF = fitz.open("pdf", pdfbytes) # open stream as PDF
    page = doc.new_page(width = rect.width, height = rect.height) # new page with pic dimension
    page.show_pdf_page(rect, imgPDF, 0) # image fills the page图像填充页面
    psg.EasyProgressMeter("Import Images", i+1, imgcount) # show our progress
doc.save("all-my-pics.pdf")

这将生成一个仅略大于合并图片大小的PDF。

注意：我们可能使用了Page.insert_image()而不是Page.show_pdf_Page()，结果会是一个类似的文件。但是，根据图像类型，它可能存储未压缩的图像。
因此，必须使用save选项deflate=True来实现合理的文件大小，这将极大地增加大量图像的运行时间。因此，这里不能推荐这种替代方案。

方法2：嵌入文件

第二个脚本嵌入任意文件，而不仅仅是图像。由于技术原因，生成的PDF只有一个（空）页面。要在以后再次访问嵌入文件，您需要一个合适的PDF查看器，可以显示和/或提取嵌入文件：

import os, fitz
import PySimpleGUI as psg # for showing progress bar

doc = fitz.open() # PDF with the pictures
imgdir = "D:/2012_10_05" # where my files are
imglist = os.listdir(imgdir) # list of pictures
imgcount = len(imglist) # pic count
imglist.sort() # nicely sort them
for i, f in enumerate(imglist):
    img = open(os.path.join(imgdir,f), "rb").read() # make pic stream
    doc.embfile_add(img, f, filename=f, ufilename=f, desc=f) # and embed it
    psg.EasyProgressMeter("Embedding Files", i+1, imgcount)  # show our progress
page = doc.new_page() # at least 1 page is needed
doc.save("all-my-pics-embedded.pdf")

这是迄今为止最快的方法，而且它还产生尽可能小的输出文件大小。

方法3：附加文件

实现此任务的第三种方法是通过页面注释附加文件。
这与上一个脚本具有相似的性能，并且它还生成相似的文件大小。它将生成PDF页面，显示每个附加文件的“文件附件”图标。

import os, fitz
import PySimpleGUI as psg # for showing progress bar

doc = fitz.open()  # open empty PDF
page = doc.new_page(width=width, height=height)  # make new page
imglist = os.listdir(imgdir)  # directory listing
imgcount = len(imglist)  # number of files
for i, f in enumerate(imglist):
    path = os.path.join(imgdir, f)
    img = open(path, "rb").read()  # file content
    page.add_file_annot(point, img, filename=f)  # add as attachment
doc.save("all-my-pics-attached.pdf")

嵌入和附加方法都可以用于任意文件，而不仅仅是图像。

---

Note: 我们强烈建议使用PySimpleGUI包为可能运行较长时间的任务显示进度表。它是纯Python，使用Tkinter（没有额外的GUI包），并且只需要多出一行代码！

7、创建矢量图

从文档页面创建图像的常用方法是page.get_pixmap()。pixmap表示光栅图像，因此您必须在创建时决定其质量（即分辨率）,以后不能更改。

PyMuPDF还提供了一种以SVG格式创建页面矢量图像的方法（可缩放矢量图形，用XML语法定义）。SVG图像在缩放级别上保持精确（当然，嵌入其中的任何光栅图形元素除外）。

指令svg=page.get_svg_image(matrix=fitz.Identity) 提供了一个UTF-8字符串svg，可以用扩展名“.svg”存储。

8、转换图像

与其他功能一样，PyMuPDF的图像转换也很容易。在许多情况下，它可能避免使用其他图形软件包，如PIL/Pillow。

总体方案如下两行：

pix = fitz.Pixmap("input.xxx") # any supported input format
pix.save("output.yyy") # any supported output format

备注

1. fitz.Pixmap(arg)的输入参数可以是包含图像的文件或bytes/io.BytesIO对象。
2. 您也可以通过pix.tobytes(“yyy”)创建一个bytes对象，而不是输出文件，并传递该对象。
3. 当然，输入和输出格式必须在颜色空间和透明度方面兼容。

将JPEG转换为Photoshop：

pix = fitz.Pixmap("myfamily.jpg")
pix.save("myfamily.psd")

使用PIL/Pillow保存为JPEG:

from PIL import Image

pix = fitz.Pixmap(...)
img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples)
img.save("output.jpg", "JPEG")

9、与Numpy接口

这显示了如何从numpy数组创建PNG文件（比大多数其他方法快几倍）：

import numpy as np
import fitz
#==============================================================================
# create a fun-colored width * height PNG with fitz and numpy
#==============================================================================
height = 150
width = 100
bild = np.ndarray((height, width, 3), dtype=np.uint8)
for i in range(height):
    for j in range(width):
        # one pixel (some fun coloring)
        bild[i, j] = [(i+j)%256, i%256, j%256]
samples = bytearray(bild.tostring()) # get plain pixel data from numpy array
pix = fitz.Pixmap(fitz.csRGB, width, height, samples, alpha=False)
pix.save("test.png")

10、将图像添加到PDF页面

有两种方法可以将图像添加到PDF页面：page.insert_image()和page.show_PDF_page()。
这两种方法有共同之处，但也存在差异。

Criterion	Page.insert_image()	Page.show_pdf_page()
displayable content	image file, image in memory, pixmap	PDF page
display resolution	image resolution	vectorized (except raster page content)
rotation	0, 90, 180 or 270 degrees	any angle
clipping	no (full image only)	yes
keep aspect ratio	yes (default option)	yes (default option)
transparency (water marking)	depends on the image	depends on the page
location / placement	scaled to fit target rectangle	scaled to fit target rectangle
performance	automatic prevention of duplicates;	automatic prevention of duplicates;
multi-page image support	no	yes
ease of use	simple, intuitive;	simple, intuitive; usable for all document types (including images!) after conversion to PDF via Document.convert_to

待续。。。