用 Python 批量提取 PDF 的圖片，并存儲(chǔ)到指定文件夾

本期視頻：用 Python 批量提取 PDF 中的圖片，并保存到指定文件夾中！

上篇《用 Python 批量提取 PDF 的表格數(shù)據(jù)，保存為 Excel》文章中，我們利用 Python 的第三方工具庫(kù) pdfplumber 批量提取 PDF 的表格數(shù)據(jù)后，有不少小伙伴們提出，大多數(shù) PDF 都為圖片，如何批量提取出圖片。

今天就來(lái)用 Python 來(lái)解決這個(gè)問(wèn)題。

一、實(shí)現(xiàn)效果圖

二、基于 fitz 庫(kù)和正則搜索提取圖片

fitz 庫(kù)是 pymupdf 中的一個(gè)模塊，用它來(lái)提取 pdf 里的圖片非常方便。

安裝命令

pip?install?fitz?
pip?install?pymupdf

三、代碼實(shí)現(xiàn)

導(dǎo)入相關(guān)包

import?fitz
import?re
import?os

讀取 pdf 提取圖片，并存儲(chǔ)

def?save_pdf_img(path,save_path):
????'''
????path:?pdf的路徑
????save_path?:?圖片存儲(chǔ)的路徑
????'''
????#?使用正則表達(dá)式來(lái)查找圖片
????checkXO?=?r"/Type(?=?*/XObject)"?
????checkIM?=?r"/Subtype(?=?*/Image)"??
????#?打開(kāi)pdf
????doc?=?fitz.open(path)
????#?圖片計(jì)數(shù)
????imgcount?=?0
????#?獲取對(duì)象數(shù)量長(zhǎng)度
????lenXREF?=?doc.xref_length()

????#?打印PDF的信息
????print("文件名:{},?頁(yè)數(shù):?{},?對(duì)象:?{}".format(path,?len(doc),?lenXREF?-?1))


????#?遍歷每一個(gè)圖片對(duì)象
????for?i?in?range(1,?lenXREF):
????????#?定義對(duì)象字符串
????????text?=?doc.xref_object(i)
#?????????print(i,text)
????????isXObject?=?re.search(checkXO,?text)
????????#?使用正則表達(dá)式查看是否是圖片
????????isImage?=?re.search(checkIM,?text)
????????#?如果不是對(duì)象也不是圖片，則continue
????????if?not?isXObject?or?not?isImage:
????????????continue
????????imgcount?+=?1
????????#?根據(jù)索引生成圖像
????????pix?=?fitz.Pixmap(doc,?i)
????????#?根據(jù)pdf的路徑生成圖片的名稱
????????new_name?=?path.replace('\\',?'_')?+?"_img{}.png".format(imgcount)
????????new_name?=?new_name.replace(':',?'')
????????#?如果pix.n<5,可以直接存為PNG
????????if?pix.n?5:
????????????pix.writePNG(os.path.join(save_path,?new_name))
????????#?否則先轉(zhuǎn)換CMYK
????????else:
????????????pix0?=?fitz.Pixmap(fitz.csRGB,?pix)
????????????pix0.writePNG(os.path.join(save_path,?new_name))
????????????pix0?=?None
????????#?釋放資源
????????pix?=?None
????????print("提取了{(lán)}張圖片".format(imgcount))
#?pdf路徑
path?=?r'/Users/wangwangyuqing/Desktop/data/img.pdf'
save_path?=?r'/Users/wangwangyuqing/Desktop/data'
save_pdf_img(path,save_path)

運(yùn)行結(jié)果

四、小結(jié)

Python 中 pdf2image 庫(kù)也可以完成以上需求，它的好處是如果你的 pdf 頁(yè)面較多時(shí)，pdf2image 可以啟動(dòng)多線程會(huì)大大加快轉(zhuǎn)換速度，具體可參考?pdf2image 官方文檔。

最后，可能會(huì)遇到提取的圖片比原本少，或者提取出不想要的圖片?？梢酝ㄟ^(guò)檢查圖片格式，可能不是常見(jiàn)的格式，提取時(shí)再減少或添加過(guò)濾條件進(jìn)行嘗試。

本期視頻：用 Python 批量提取 PDF 中的圖片，并保存到指定文件夾中！

推薦閱讀

用 Python 批量提取 PDF 的表格數(shù)據(jù)，保存為 Excel

太強(qiáng)了！Python 開(kāi)發(fā)桌面小工具，讓代碼替我們干重復(fù)的工作！

情人節(jié)，我用 Python 給女朋友做了個(gè)選禮物看板！