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 fitz
2import re
3import os
4
5file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径
6dir_path = r'C:\xxx' # 存放图片的文件夹
7
8def 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 fitz
2import re
3import os
4
5file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径
6dir_path = r'C:\xxx' # 存放图片的文件夹
7
8def 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_bytes
2import tempfile
3from pdf2image.exceptions import PDFInfoNotInstalledError, PDFPageCountError, PDFSyntaxError
4import os
5
6file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径
7dir_path = r'C:\xxx' # 存放图片的文件夹
8
9def 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_bytes
2import tempfile
3from pdf2image.exceptions import PDFInfoNotInstalledError, PDFPageCountError, PDFSyntaxError
4import os
5
6file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径
7dir_path = r'C:\xxx' # 存放图片的文件夹
8
9def 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