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 fitz
import re
import 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 fitz
import re
import 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: 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 ists(dir_path):python安装教程非常详细
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
ptions import PDFInfoNotInstalledError, PDFPageCountError, PDFSyntaxError
import 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 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
参数意义
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。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！