大家好，本文将进一步讲解如何用Python提取PDF与Word中图片，并结合之前讲解过的GUI框架PysimpleGUI，做一个多文件图片提取软件，效果如下：

本文主要将分为以下部分讲解：

• PDF、Word、Excel文件图片提取

• 构造图片提取器GUI框架

• 整合代码并打包

主要涉及的Python模块有：

• PIL

• PySimpleGUI

• re

• win32

• os

• zipfile

• fitz

  准备工作

首先使用pip安装相关依赖模块

pip install pillow   #这是对模块PTL的安装
pip install pypiwin32    #这是对win32的安装
pip install os
pip install zipfile
pip install PyMuPDF  #这是引用fitz对PDF操作的包
pip install PySimpleGui

  一、提取各文件内嵌图片

在之前的文章有讲过，读取Excel有两种方法。一种是将后缀名改成.zip格式进行提取，一种是通过Pillow模块对Excel进行图片复制与保存。而在我们这次3种文件格式的图片提取当中，Excel提取图片方法和之前一样。

Word提取图片方法和通过.zip提取方法类似，PDF提取图片方法要用到新的模块。由于Excel提取图片的两种方法在之前的文章讲过，故这里只讲解PDF和Word的提取方法。

1.1 提取Word图片思路

和以前一样，我们先看代码再讲解

path = values["lujing"]
count = 1
for file in os.listdir(path):new_file = file.replace(".docx",".zip")os.rename(os.path.join(path,file),os.path.join(path,new_file))count+=1      number = 0craterDir = values["lujing"] + '/'  # 存放zip文件的文件夹路径saveDir = values["lujing"] + '/' # 存放图片的路径list_dir = os.listdir(craterDir) # 获取所有的zip文件名for i in range(len(list_dir)):if 'zip' not in list_dir[i]:list_dir[i] = ''while '' in list_dir:list_dir.remove('')                            for zip_name in list_dir:# 默认模式r,读azip = zipfile.ZipFile(craterDir + zip_name)# 返回所有文件夹和文件namelist = (azip.namelist())for idx in range(0,len(namelist)):if namelist[idx][:11] == 'word/media/':#图片是在这个路径下img_name = saveDir + str(number)+'.jpg'f = azip.open(namelist[idx])img = Image.open(f)img = img.convert("RGB")img.save(img_name,"JPEG")number += 1azip.close()  #关闭文件，必须有，释放内存

这里的代码和GUI中通过.zip方式提取Excel图片的代码思路是一样的。

“

path = values["lujing"]这里是读取GUI中键为**“lujing”**的值，也即文件存储位置，用于os模块读取与操作。

new_file = file.replace(".docx",".zip")是替换后缀名，如果是Excel的话，就把.docx改成.xlsx或xls。

craterDir = values["lujing"] + '/'  这是存放zip文件的文件夹路径，注意这里读取到的键为“lujing”的值后要在后面添加/。

saveDir = values["lujing"] + '/'  这是存放图片的路径，同理，和上面一样加个/号。

”

最后说一下与Excel提取相比，最大的不同是下面的代码

if namelist[idx][:11] == 'word/media/':细心的读者可以发现，与Excel提取相比，中括号里面的值改了。

很好理解，我们可以打印namelist[idx]，可以发现在索引0到10是'word/media/'所在位置。而在Excel中是前9位。

感兴趣的读者可以翻看之前的文章，那里有对这段代码的详细解析，这里不多做介绍。

1.2 提取PDF图片思路

和之前的excel提取图片一样，在一个pdf中放入4张图片，我们将它压缩为zip文件????

读取后????

相关代码如下：

def pdf2pic(path, pic_path):doc = fitz.open(path)nums = doc._getXrefLength()imgcount = 0 for i in range(1, nums):text = doc._getXrefString(i)if ('Width 2550' in text) and ('Height 3300' in text) or ('thumbnail' in text):continuecheckXO = r"/Type(?= */XObject)"checkIM = r"/Subtype(?= */Image)"isXObject = re.search(checkXO, text)isImage = re.search(checkIM, text)if not isXObject or not isImage:continueimgcount += 1pix = fitz.Pixmap(doc, i)img_name = "img{}.png".format(imgcount)if pix.n < 5:try:pix.writePNG(os.path.join(pic_path, img_name))pix = Noneexcept:pix0 = fitz.Pixmap(fitz.csRGB, pix)pix0.writePNG(os.path.join(pic_path, img_name))pix0 = None
if __name__ == '__main__':path = values["lujing"]+ '/' + values["wenjian"]pic_path = values["lujing"]pdf2pic(path, pic_path)

先说一下这段代码的思路吧，由于PDF不能像Excel和Word一样改后缀名进行提取，故这里运用python的一个模块PyMuPDF，过程如下

• 读取PDF并遍历每一页

• 筛选无用的元素并用正则表达式获取图片

• 生成并保存图片

fitz.open(path)是打开PDF文件夹，这里的path是需要在GUI界面中获取用户的文件存放路径于文件名的。

for i in range(1, nums):text = doc._getXrefString(i)

这是我们的第一步读取并遍历，将读取到的字符串内容放入到text中

if ('Width 2550' in text) and ('Height 3300' in text) or ('thumbnail' in text):continue

由于PDF每一页的背景就是一张图片，故我们可以通过宽高来寻找这些背景图片并用continue把他们剔除。

checkXO = r"/Type(?= */XObject)"
checkIM = r"/Subtype(?= */Image)"
isXObject = re.search(checkXO, text)
isImage = re.search(checkIM, text)
if not isXObject or not isImage:continue

我们通过实验发现图片所对应的字符串在checkxo与checkIM这两个中。故用正则表达式在text中进行索引提取，用到了re模块的search函数。如果不是这两个字符串就用continue剔除。

pix = fitz.Pixmap(doc, i)
img_name = "img{}.png".format(imgcount)
if pix.n < 5:try:pix.writePNG(os.path.join(pic_path, img_name))pix = Noneexcept:pix0 = fitz.Pixmap(fitz.csRGB, pix)pix0.writePNG(os.path.join(pic_path, img_name))pix0 = None

这是最后一步生成与保存图片

“

pix = fitz.Pixmap(doc, i)是生成图像语句，doc代表PDF文件，i代表遍历每个图片对象的索引值。

img_name = "img{}.png".format(imgcount)是设置图像名语句，用提取到的图片的序列号作为命名格式。

”

而后if嵌套try那几行代码是保存图像语句。如果pix.n<5,可以直接存为PNG，否者将进行RGB变换在保存。

由于代码采用的是def函数编写模式，故最后还要一个函数的初始化：if __name__ == '__main__':

至此，3种文件格式（Excel、Word、PDF）图片提取方法已全部讲解，接下来就是重中之重GUI构建了。

  二、GUI框架构建

先看完整代码：

import PySimpleGUI as sg
sg.ChangeLookAndFeel('GreenTan')   #更换主题
menu_def = [['&使用说明', ['&注意']]]
layout = [[sg.Menu(menu_def, tearoff=True)],[sg.Frame(layout=[[sg.Radio('Excel1', "RADIO1",size=(10,1),key="Excel1"),  sg.Radio('Word', "RADIO1",default=True,key="Word")],[sg.Radio('Excel2', "RADIO1", enable_events=True, size=(10,1),key="Excel2"), sg.Radio('PDF', "RADIO1",key="PDF")]], title='选项',title_color='red', relief=sg.RELIEF_SUNKEN, tooltip='Use these to set flags')],[sg.Text('文件位置', size=(8, 1), auto_size_text=False, justification='right'),sg.InputText(enable_events=True,key="lujing"), sg.FolderBrowse()],[sg.Text('文件名字', size=(8, 1), justification='right'),sg.InputText(enable_events=True,key="wenjian")],[sg.Submit(tooltip='文件'), sg.Cancel()]]window = sg.Window('图片提取器', layout, default_element_size=(40, 1), grab_anywhere=False)
while True:event, values = window.read()if event == "Submit":if values["Excel2"] == True:'''事件绑定'''sg.Popup("提取成功")if values["Excel1"] == True:'''事件绑定'''sg.Popup("提取成功")if values["Word"] == True:'''事件绑定'''sg.Popup("提取成功") if values["PDF"] == True:'''事件绑定'''sg.Popup("提取成功")if event == "Cancel" or event == sg.WIN_CLOSED:break    if event == "注意":sg.Popup("作用讲解：","Excel1 ：解析选定位置中所有的Excel文件，无需在文件名处填写","Excel2 ：解析选定位置中单个指定的Excel文件，需在文件名处填写","Word ：  解析选定位置中单个指定的docx结尾的文件，无需在文件名处填写","PDF ：   解析选定位置中单个指定的PDF文件，需在文件名处填写")
window.close()

效果呈现：

代码解析：做PySimpleGUI还是原来那个步骤：

Import   Create some widgets Create the window Create the event loop

当然，做GUI之前就是先想清楚自己的图形交互页面长什么样，像我就是现在纸上画一个大概，这样更有益于制作页面。

第一步先引用模块

第二步添加元素（小部件）到容器（layout）中，这里先介绍一下用到的部件：

“

Menu：顾名思义，这是菜单栏，每个GUI都必带一个菜单栏来提示使用者该如何做，我们这里用了menu_def这个布局来完成菜单的设置。

Frame：这个跟layout布局完全相同，工作方式也一样，他们都是容器元素。可以看到“选项”那里是一个凹槽的正方形，里面装有四个选项，作用就是这个。注意，&这个符号的作用是创建相同类型的菜单，这里只有注意事项这一个菜单，故可以不用管，读者如果想添加同样的菜单的话必须添加一个&。tearoff=True这个参数是菜单栏中每个子选项上面加虚线。

Radio：单选按钮。我们只可以在同样的id上选择一个选项。id就是指代码中的“ra-dio1”。其中每个radio函数的第一个参数是文本内容，这里就是我们要进行提取的4个文件格式。而“size”就是位置，每行的第一个设同样的参数（10，1）。最后就是我们进行事件帮绑定的键，其中“enable_events”可以不写因为我们只是调用它而不用去对它产生事件。

Text：之前有讲是不能改的正文内容。同样这里设置的位置参数（8，1），justification='right'有点类似我们平常用word那个向右对其。

InputText：需要用户输入的正文内容。这里有两个需要我们填写的地方：文件位置和文件名。这里需要设置键，因为在后面事件绑定中我们需要调用文件存储路径和文件名，在文中上半部分有提到过。

FolderBrowse：简易的打开文件路径操作，不用你去复制路径。

Submit：确定按钮，这里绑定为执行提取文档图片事件

Cancel：退出主程序按钮。

”

第三步就是创建窗口来容纳这些元素布置。

第四步创建事件循环，可以看到代码，都是一样的套路：当用户按下submit按钮时系统将进行判断你按的是哪个单选按钮，进而进行相对应的事件执行。当你按下cancel或者×时，就是退出主程序。当你按菜单中的注意时，就会弹出一个对话框告诉你这个系统怎么用。

在事件循环中，我们用values[]的布尔值来判断我们选的是哪个单选按钮，有读者疑问为什么不用event=，因为我们在第一个if当中用了event所以第二个if当中需要换一个判断方法。

至此，GUI部分就搞定了！感兴趣的读者可以继续在上面添加功能。

  三、打包

我们将完整代码整合在一起，后安装pyinstaller模块

pip install pyinstaller

如果你的上述项目代码文件命名为：photo.py。那么你要用下面命令进行打包

pyinstaller photo.py

最后打包成功之后，你会在py文件所在文件夹看到一个dist的子文件夹。进去之后，找到pachong.exe文件并运行它即可。

注意，文件夹里附带了很多文件，你可以删除它。当然，如果嫌麻烦就直接从photo.py文件用Python执行。

推荐阅读
误执行了rm -fr /*之后，除了跑路还能怎么办？！程序员必备58个网站汇总大幅提高生产力：你需要了解的十大Jupyter Lab插件