在python中提取pdf图片的方法有哪些-创新互联
在python中提取pdf图片的方法有哪些?相信很多没有经验的人对此束手无策,为此本文总结了问题出现的原因和解决方法,通过这篇文章希望你能解决这个问题。
创新互联公司是一家专业提供积石山保安族东乡族企业网站建设,专注与成都网站制作、网站设计、H5页面制作、小程序制作等业务。10年已为积石山保安族东乡族众多企业、政府机构等服务。创新互联专业的建站公司优惠进行中。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 os file_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 = 1 for i in range(1, lenXREF): text = pdf._getXrefString(i) isImage = re.search(checkIM, text) if not isImage: continue pix = fitz.Pixmap(pdf, i) new_name = f"img_{count}.png" pix.writePNG(os.path.join(pic_path, new_name)) count += 1 pix = None pdf2image1(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:
import fitz import re import os file_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 = 1 for i in range(1, lenXREF): text = pdf._getXrefString(i) isImage = re.search(checkIM, text) if not isImage: continue pix = 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 += 1 pix = None pdf2image1(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 os file_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 os file_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。
看完上述内容,你们掌握在python中提取pdf图片的方法有哪些的方法了吗?如果还想学到更多技能或想了解更多相关内容,欢迎关注创新互联行业资讯频道,感谢各位的阅读!
新闻名称:在python中提取pdf图片的方法有哪些-创新互联
网页地址:http://myzitong.com/article/doeehd.html