三种方法,用Python轻松提取PDF中的全部图片
作者 | 陈熹、刘早起
来源 | 早起Python
头图 | 下载于视觉中国
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:
1pip 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
1import fitz2import re3import os45file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径6dir_path = r'C:\xxx' # 存放图片的文件夹78def pdf2image1(path, pic_path):9 checkIM = r"/Subtype(?= */Image)"
10 pdf = fitz.open(path)
11 lenXREF = pdf._getXrefLength()
12 count = 1
13 for i in range(1, lenXREF):
14 text = pdf._getXrefString(i)
15 isImage = re.search(checkIM, text)
16 if not isImage:
17 continue
18 pix = fitz.Pixmap(pdf, i)
19 new_name = f"img_{count}.png"
20 pix.writePNG(os.path.join(pic_path, new_name))
21 count += 1
22 pix = None
23
24pdf2image1(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:
1import fitz2import re3import os45file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径6dir_path = r'C:\xxx' # 存放图片的文件夹78def pdf2image1(path, pic_path):9 checkIM = r"/Subtype(?= */Image)"
10 pdf = fitz.open(path)
11 lenXREF = pdf._getXrefLength()
12 count = 1
13 for i in range(1, lenXREF):
14 text = pdf._getXrefString(i)
15 isImage = re.search(checkIM, text)
16 if not isImage:
17 continue
18 pix = fitz.Pixmap(pdf, i)
19 if pix.size < 10000: # 在这里添加一处判断一个循环
20 continue # 不符合阈值则跳过至下
21 new_name = f"img_{count}.png"
22 pix.writePNG(os.path.join(pic_path, new_name))
23 count += 1
24 pix = None
25
26pdf2image1(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
看名字就知道这个库的用处,官方文档:
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:
1from pdf2image import convert_from_path,convert_from_bytes2import tempfile3from pdf2image.exceptions import PDFInfoNotInstalledError, PDFPageCountError, PDFSyntaxError4import os56file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径7dir_path = r'C:\xxx' # 存放图片的文件夹89def pdf2image2(file_path, dir_path):
10 images = convert_from_path(file_path, dpi=200)
11 for image in images:
12 if not os.path.exists(dir_path):
13 os.makedirs(dir_path)
14 image.save(file_path + f'\img_{images.index(image)}.png', 'PNG')
15
16pdf2image2(file_path, dir_path)
可以成功提取图片。再试试第二种方法:
1from pdf2image import convert_from_path,convert_from_bytes2import tempfile3from pdf2image.exceptions import PDFInfoNotInstalledError, PDFPageCountError, PDFSyntaxError4import os56file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径7dir_path = r'C:\xxx' # 存放图片的文件夹89def pdf2image3(file_path, dir_path):
10 images = convert_from_bytes(open(file_path, 'rb').read())
11 for image in images:
12 if not os.path.exists(dir_path):
13 os.makedirs(dir_path)
14 image.save(file_path + f'\img_{images.index(image)}.png', 'PNG')
15
16pdf2image3(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。
更多精彩推荐
☞科学“干饭”,AI 营养师教你
☞GitHub 标星超 26600,TiDB 社区运营的道与术!
☞区区几行Python代码,一分钟搞定一天工作量
☞告别手敲 SQL ?GPT-3 自动帮你写
点分享点收藏点点赞点在看
三种方法,用Python轻松提取PDF中的全部图片相关推荐
- 三种方法,Python轻松提取PDF中全部图片
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 ...
- 怎么提取视频里的音频?这三种方法都可以轻松提取音频
怎么把视频里的音频给提取出来呢?大家在看影视或者是短视频的时候,有的视频背景音乐非常好听,我们想要使用视频中背景音乐制作自己的视频该怎么做呢?其实遇到这种问题我们可以直接把视频的音频给提取出来,就可以 ...
- PDF如何翻译成中文?三种方法教你怎样翻译PDF上的文字
小伙伴们在学习或工作中遇到外国文章时是不是会先翻译成中文再阅读呢?如果文章是word或者txt格式,我们可以直接复制文字进行翻译.但是有些文章为了看起来美观可能会生成PDF格式,我们想翻译的话,就需要 ...
- PDF如何去除水印?三种方法教你如何去除PDF文件水印
PDF水印是PDF文档中常见的一种标识符号,用于标识文件的版权或者来源等信息.如果您想去除PDF文档中的水印,可以尝试以下方法: 1.使用Adobe Acrobat Pro 这是全世界最大的软件公司A ...
- android 8 忘记图案,手机绘图解锁忘了怎么办?三种方法教你轻松搞定
现在市场上的智能手机基本上都带有九宫格锁屏,这样的设计受到了广大用户们的喜爱,渐渐的成为了用户们的不二选择,当然这个锁屏的优点有很多,但是唯一不足的地方就是一旦忘记图案密码就会让人想抓狂.手机绘图解锁 ...
- java持久层用文件_JAVA中用三种方法将字符串持久化到文件中
经常需要将数据进行持久化,而我们的文件系统是最古老也是最可靠的保存方式.这里就给出一个在JAVA中把字符串保存到文件中的例子.如下: package test.base; import java.io ...
- 【转】三种方法让你在I2C通信中同时和多个从机通信
ref:http://tieba.baidu.com/p/3769008030 对于不同地址的模块就不用多说了,直接分别对其地址进行通信即可.那么若拿到相同地址的模块,或者直接是相同的多个模块怎么办呢 ...
- 如何批量旋转图片?学会这三种方法就能轻松实现
对于喜爱拍照的小伙伴来说,你们的手机或者相机应该有很多图片素材吧.那么在整理这些图片到电脑的时候,你们的图片会不会出现方向不一致的情况呢?有的是倒着的,有的是左旋了90°.想要将这些图片都调整为同 ...
- matlab中 三种方法计算 Ax b,在MATLAB中,方程Ax=B的解可以用哪个命令求得? matlab 求助 解方程组...
matlab中解方程组还是很方便的,例如,对于代数方程组Ax=b(A为系数矩阵,非奇异)的求解,MATLAB中有两种方法: (1)x=inv(A)*b - 采用求逆运算解方程组: (2)x=A\B - ...
最新文章
- OpenCV(十七)边缘检测3 -- Canny算子(最优边缘检测)
- 网上搜集了点资料,学web的人互相分享共同进步吧(php编码的好习惯必须养成)...
- 独家 | 深度学习 V.S. 谜题游戏
- 【1024】不整虚的,红包以备,致敬一线同僚!
- 设计模式11-桥接模式
- OSPF多区域配置与汇总
- 到2026年,非洲数据中心市场规模将达到50亿美元
- 又见斐波那契~矩阵快速幂入门题
- 华邦电子2022年1月营收为新台币86.90亿元
- php背景时间渐变,CSS3怎么实现背景颜色渐变?(图文+视频)
- Axure 经典实例高保真原型下载(Axure高保真企业办公oa系统OA协同办公后台管理会议管理用户管理统计分析活动管理+考勤管理+档案管理+行政支持管理)
- gis插入的文本怎么搞成两行_逻辑图怎么画?图文详解带你绘制逻辑图
- 推送后更改git commit消息(假设没有人从远程拉出)
- Linux守护进程的启动方法
- 表示计算机运行快的词,形容电脑打字快的成语_四字词语 - 成梦词典
- Tables[0].Rows.count什么意思?
- scala windows搭建开发环境
- 无线路由器常用的五种工作模式详细介绍
- service mesh解决的几个问题
- 爬虫有道词典,高精度加密版
热门文章
- oracle汉化包下载地址
- Python学习day5作业-ATM和购物商城
- 下载Ext JS 5.1 gpl版本的方法
- ehcache 简介
- mutt使用小技巧 指定发件人 添加附件
- flash绘图API:恋上你的CD
- 急!!!求从字符串中提取形如: div([MC0010000000006],此若干个字符或数字,0) 的正则表达式...
- 在winform中从外部拖动节点到树形结构(treeview和listview相互拖动)(一)
- 库卡机器人坐标手势_美的、格力、娃哈哈......那些跨界的机器人玩家现在怎么样了?...
- VMware虚拟机安装黑苹果MacOS Mojave系统详细教程