python三种方法提取pdf中的图片

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：

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 fitzimport reimport os

file_path = r'C: xx xx.pdf' # PDF ⽂件路径dir_path = r'C: xx' # 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 fitzimport reimport os

file_path = r'C: xx xx.pdf' # PDF ⽂件路径dir_path = r'C: xx' # 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

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_bytesimport tempfile

from pdf2image.exceptions import PDFInfoNotInstalledError, PDFPageCountError, PDFSyntaxErrorimport os

file_path = r'C: xx xx.pdf' # PDF ⽂件路径dir_path = r'C: xx' # 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_bytesimport tempfile

from pdf2image.exceptions import PDFInfoNotInstalledError, PDFPageCountError, PDFSyntaxErrorimport os

file_path = r'C: xx xx.pdf' # PDF ⽂件路径dir_path = r'C: xx' # 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pdf_pathdpifirst_page

PDF ⽂档路径

图像质量（如果是学术期刊杂志常见 300dpi）起始转换页数

意义

output_folder将⽣成的图像写⼊⽂件夹（⽽不是直接写⼊内存）

last_page参数fmtuserpwoutput_file

转换⾄哪⼀页

意义

图像格式，可以指定为 png，默认为 ppmPDF 的密码输出⽂件名

thread_count允许参与转换的线程数

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。以上就是python 三种⽅法提取pdf中的图⽚的详细内容，更多关于python 提取pdf中的图⽚的资料请关注其它相关⽂章！