python读取pdf图⽚_三种⽅法，Python轻松提取PDF中全部图
⽚
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 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
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
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：
from pdf2image import convert_from_path,convert_from_bytes
import tempfile
ptions 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 ists(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
python怎么读文件夹下的文件夹ptions 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 ists(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。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。