Python实现获取PDF中的图片

背景是小舅子要想要截取PDF里面的图片。在网上找了一段代码，如下

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)

 

运行的时候报错 Decument 没有 _getXrefString 、_getXrefLength方法，然后网上没有找到解决办法，找我看了一下

 

 

 

然后去第三方库里面 fitz 里面看了一下

发现 _getXrefString 这个方法确实没有

 

然后理解了一下代码_getXrefLength 这个函数大概是获取PDF总页数

_getXrefString 这个是获取PDF对应页内容的

在fitz 库里面找到了实现这获取总页数的函数 和 一个替代函数  获取当前页的image 函数。如果当前页没有image返回null

分别是 xref_length 和 extract_image

然后改了一下代码，运行，发现  search 这里也报错

找到第三方库的这个函数，发现传参的时候，第二个参数是String类型的，而我替换的函数extract_image 返回的是个数组。所以 做了一下强转。修改后代码如下

# -*- coding: utf-8 -*-

import fitz
import re
import os

file_path = r'C:\Users\xxx\Desktop\新建文件夹\xxx.pdf' # PDF 文件路径
dir_path = r'C:\Users\xxx\Desktop\test' # 存放图片的文件夹

def pdf2image1(path, pic_path):
    checkIM = r"image"
    pdf = fitz.open(path)
    lenXREF = pdf.xref_length()
    count = 1
    for i in range(1, lenXREF):
        text = pdf.extract_image(i)
        print(text)
        isImage = re.search(checkIM, str(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)