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 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
:
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
import fitz
import re
import osfile_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 = 1for i in range(1, lenXREF):text = pdf._getXrefString(i)isImage = re.search(checkIM, text)if not isImage:continuepix = fitz.Pixmap(pdf, i)new_name = f"img_{count}.png"pix.writePNG(os.path.join(pic_path, new_name))count += 1pix = Nonepdf2image1(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?
很多人学习python,不知道从何学起。
很多人学习python,掌握了基本语法过后,不知道在哪里寻找案例上手。
很多已经做案例的人,却不知道如何去学习更加高深的知识。
那么针对这三类人,我给大家提供一个好的学习平台,免费领取视频教程,电子书籍,以及课程的源代码!
QQ群:810735403
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 osfile_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 = 1for i in range(1, lenXREF):text = pdf._getXrefString(i)isImage = re.search(checkIM, text)if not isImage:continuepix = 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 += 1pix = Nonepdf2image1(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PATHMac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 osfile_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 osfile_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 |
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。
在这里还是要推荐下我自己建的Python开发交流学习(qq)群:810735403,群里都是学Python开发的,如果你正在学习Python ,欢迎你加入,大家都是软件开发党,不定期分享干货(只有Python软件开发相关的),包括我自己整理的一份2021最新的Python进阶资料和高级开发教程,欢迎进阶中和想深入Python的小伙伴!
三种方法,Python轻松提取PDF中全部图片相关推荐
- 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判断字符串合法,详解Python判定IP地址合法性的三种方法 python中判断一个字符串是否是IP地址...
html 中 鼠标放在标签上会显示小手状,其它标签在其他标签上,美工给加了一些样式,鼠标放上去也显示小手状.有哪位大手状样式 有什么不懂的前端问题可以去菜鸟驿站.全都是泡沫,只一刹的花火,所谓的友情, ...
- 计算机新建文件夹的步骤打开,Win10新建文件夹假死,不要慌!教你这三种方法,轻松应对。...
原标题:Win10新建文件夹假死,不要慌!教你这三种方法,轻松应对. 使用电脑开启文件夹是我们日常电脑使用过程中,经常会进行操作的事情.而有时我们在使用win10打开文件夹的时候会出现假死的现象,打开 ...
- 通过Python的fitz库提取pdf中的图片
文章目录 前言 一.fitz库是什么? 二.安装fitz库 三.查看fitz库版本 四.pymupdf库是什么? 五.安装pymupdf库 六.查看pymupdf库版本 七.fitz和pymupdf是 ...
- Java 添加、提取PDF中的图片
Spire.Cloud.SDK for Java提供了PdfImagesApi接口可用于添加图片到PDF文档addImage().提取PDF中的图片extractImages(),具体操作步骤和Jav ...
- 工具:通过Python fitz 提取PDF内的图片
通过Python fitz 提取PDF内的图片 # 打开pdf读取文本和图片内容 # pip install PyMuPDFimport fitzpdf_document = "1.pdf& ...
- C# Pdf转Png,提取Pdf中的图片
把Pdf转为图片png格式 命名空间: using Aspose.Pdf; using System.IO; using Aspose.Pdf.Devices; 需要NuGet的包:Aspose.Pd ...
- 中文文本关键词抽取的三种方法-python
利用Python实现中文文本关键词抽取的三种方法 转自github 文本关键词抽取,是对文本信息进行高度凝练的一种有效手段,通过3-5个词语准确概括文本的主题,帮助读者快速理解文本信息.目前,用于文本 ...
- 猫脸关键点检测大赛:三种方法,轻松实现猫脸识别!
导语:挑战猫脸,就差你了! 今天这个比赛,得从一个做程序猿的铲屎官开始说起...... 话说,有一天「铲屎猿」早起之后,发现猫主子竟然没了身影:他找啊找啊,找了好久,可仍然到处都没找到猫主子.这时,客 ...
最新文章
- leetcode算法题--Minimum Number of Arrows to Burst Balloons
- opencv学习之路(21)、模板匹配及应用
- 送给产品经理的一段代码 (!(~+[]) + {})[--[~+][+[]] * [~+[]] + ~~!+[]] + ({} + [])[[~!+[]] ...
- Linux中printk和strace命令调试的一些技巧
- 信息学奥赛一本通(C++)在线评测系统——基础(一)C++语言——1075:药房管理
- 搜索引擎反作弊之:整体技术思路
- [连载]《C#通讯(串口和网络)框架的设计与实现》- 13.中英文版本切换设计
- web.xml配置文件详解
- Python--网络编程
- svn--Eclipse版本的安装步骤
- [Z]四种浏览器对 clientHeight、offsetHeight、scrollHeight、clientWidth、offsetWidth 和 scrollWidth 的解释...
- 「学术放养」和「认真负责」并不冲突,芝大CS博士谈从导师身上学到的几件事...
- 中文(语音结果)的文本纠错综述 Chinese Spelling Check
- 关于STC8H8K64U单片机IAP升级过程
- C/C++编程笔记:C++中的atol(),atoll()和atof()函数
- Jetson TX2介绍
- Python 淘宝系列(三): 模拟登陆成功后获取购物车信息
- #include < > 和 #include “ “ 的区别
- 50个BBS经典签名
- 国密SM1、SM2、SM3、SM4算法资料大全