來源：早起Python

作者：陳熹、劉早起

有時我們需要將一份或者多份PDF文件中的圖片提取出來，如果采取在線的網(wǎng)站實現(xiàn)的話又擔心圖片泄漏，手動操作又覺得麻煩，其實用Python也可以輕松搞定！

今天就跟大家系統(tǒng)分享幾種Python提取 PDF 圖片的方法。其實沒有非常完美的方法，每種方法提取效率都不是百分之百，因此可以考慮用多種方法進行互補，主要將涉及：

基于 fitz 庫和正則搜索提取圖片基于 pdf2image 庫的兩種方法提取圖片

1.基于 fitz 庫和正則搜索

fitz 是 pymupdf 的子模塊，需要先用命令行安裝 pymupdf：

pip install pymupdf

但注意導(dǎo)入時使用 import fitz 導(dǎo)入模塊!

下面的代碼就利用 fitz 庫提取圖片需要通過正則匹配圖片元素，將模板元素轉(zhuǎn)化為像素后再以圖片形式寫出

import fitz import re import os

file_path = r'C:xxxxxx.pdf' # PDF 文件路徑 dir_path = r'C:xxx' # 存放圖片的文件夾 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)

運行提取示例文件后結(jié)果如下：

可以看到，有一些很小的色塊也被提取成圖片，那么怎么過濾掉它們呢？

有一個簡單的方法是通過大小過濾，pix 像素在 fitz 庫中存在一個重要的方法 pix.size 可以反映像素多少，簡單的色素塊該值較低，可以通過設(shè)置一個閾值過濾。以閾值 10000 為例過濾：

import fitz import re import os

file_path = r'C:xxxxxx.pdf' # PDF 文件路徑 dir_path = r'C:xxx' # 存放圖片的文件夾 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: # 在這里添加一處判斷一個循環(huán)             continue # 不符合閾值則跳過至下

  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，全部圖片都被正常提?。?

2.基于 pdf2image 庫的兩種方法

一看名字就知道這個庫的用處了，官方文檔為https://www.cnpython.com/pypi/pdf2image

可以簡單通過 pip install pdf2image 安裝，但poppler才是真正起做用的轉(zhuǎn)換器，因此需要額外安裝和配置：

“

windows用戶必須安裝poppler for Windows，然后將bin/文件夾添加到PATHMac用戶必須安裝poppler for Mac

”

具體發(fā)揮作用的代碼官方文檔也給出了詳細的說明：

那么我們就分別嘗試這兩種方法：

from pdf2image import convert_from_path,convert_from_bytes import tempfile from 

pdf2image.exceptions import PDFInfoNotInstalledError,

 PDFPageCountError, PDFSyntaxError import os

file_path = r'C:xxxxxx.pdf' # PDF 文件路徑 dir_path = r'C:xxx' 

# 存放圖片的文件夾 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)

可以成功提取圖片。再試試第二種方法：

from pdf2image import convert_from_path,convert_from_bytes import tempfile from 

pdf2image.exceptions import

 PDFInfoNotInstalledError, PDFPageCountError, PDFSyntaxError import os

file_path = r'C:xxxxxx.pdf' # PDF 文件路徑 dir_path = r'C:xxx' # 存放圖片的文件夾 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)

可以看到結(jié)果和之前一致，PDF中全部圖片都被提取出來！

再補充一下。核心方法covert_from_bytes包含大量參數(shù)，可以自行修改。幾個常用參數(shù)總結(jié)如下：

值得一提的是thread_count 參數(shù)，可以啟動多線程會大大加快轉(zhuǎn)換速度，尤其是 PDF 頁面較多時。有興趣的讀者可以做嘗試。