python的PDF处理2

6. 提取图片内容

提取 PDF 中的图片和将 PDF 转存为图片是不一样的（下一小节），需要区分开。

提取图片：顾名思义，就是将内容中的图片都提取出来；

转存为图片：则是将每一页的 PDF 内容存成一页一页的图片，下一小节会详细说明

转存为图片中，需要用到一个模块叫 fitz，fitz 的最新版 1.18.13，非最新版的在部分函数名称上存在差异，代码中会标记出来

使用 fitz 需要先安装 PyMuPDF 模块，安装方式如下：

?

1	pip install PyMuPDF

　　

提取图片的整体逻辑如下：

• 使用 fitz 打开文档，获取文档详细数据

• 遍历每一个元素，通过正则找到图片的索引位置

• 使用 Pixmap 将索引对应的元素生成图片

• 通过 size 函数过滤较小的图片

实现的具体代码如下：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53

import os import re import fitz    def extract_pic_info(filepath, pic_dirpath):     """     提取PDF中的图片     @param filepath:pdf文件路径     @param pic_dirpath:要保存的图片目录路径     @return:     """     if not os.path.exists(pic_dirpath):         os.makedirs(pic_dirpath)     # 使用正则表达式来查找图片     check_XObject = r"/Type(?= */XObject)"     check_Image = r"/Subtype(?= */Image)"     img_count = 0        """1. 打开pdf，打印相关信息"""     pdf_info = fitz.open(filepath)     # 1.16.8版本用法 xref_len = doc._getXrefLength()     # 最新版本     xref_len = pdf_info.xref_length()     # 打印PDF的信息     print("文件名：{}, 页数: {}, 对象: {}".format(filepath, len(pdf_info), xref_len-1))        """2. 遍历PDF中的对象，遇到是图像才进行下一步，不然就continue"""     for index in range(1, xref_len):         # 1.16.8版本用法 text = doc._getXrefString(index)         # 最新版本         text = pdf_info.xref_object(index)            is_XObject = re.search(check_XObject, text)         is_Image = re.search(check_Image, text)         # 如果不是对象也不是图片，则不操作         if is_XObject or is_Image:             img_count += 1             # 根据索引生成图像             pix = fitz.Pixmap(pdf_info, index)             pic_filepath = os.path.join(pic_dirpath, 'img_' + str(img_count) + '.png')             """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"""             # if pix.size < 10000:             #     continue                """三、 将图像存为png格式"""             if pix.n >= 5:                 # 先转换CMYK                 pix = fitz.Pixmap(fitz.csRGB, pix)             # 存为PNG             pix.writePNG(pic_filepath)               # 提取图片内容 extract_pic_info(filepath, pic_dirpath)

　　

 转换为图片

转换为照片比较简单，就是将一页页的 PDF 转换为一张张的图片。大致过程如下：

安装 pdf2image

首先需要安装对应的库，最新的 pdf2image 库版本应该是 1.14.0

它的 github地址 为：https://github.com/Belval/pdf2image ，感兴趣的可以自行了解

安装方式如下：

?

1	pip install pdf2image

　　

安装组件

对于不同的平台，需要安装相应的组件，这里以 windows 平台和 mac 平台为例：

Windows 平台

对于 windows 用户需要安装 poppler for Windows，安装链接是：http://blog.alivate.com.au/poppler-windows/

另外，还需要添加环境变量， 将 bin 文件夹的路径添加到环境变量 PATH 中

注意这里配置之后需要重启一下电脑才会生效，不然会报错

Mac

对于 mac 用户，需要安装 poppler for Mac，具体可以参考这个链接：http://macappstore.org/poppler/

详细代码如下：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

import os from pdf2image import convert_from_path, convert_from_bytes    def convert_to_pic(filepath, pic_dirpath):     """     每一页的PDF转换成图片     @param filepath:pdf文件路径     @param pic_dirpath:图片目录路径     @return:     """     print(filepath)     if not os.path.exists(pic_dirpath):         os.makedirs(pic_dirpath)        images = convert_from_bytes(open(filepath, 'rb').read())     # images = convert_from_path(filepath, dpi=200)     for image in images:         # 保存图片         pic_filepath = os.path.join(pic_dirpath, 'img_'+str(images.index(image))+'.png')         image.save(pic_filepath, 'PNG')           # PDF转换为图片 convert_to_pic(filepath, pic_dirpath)