Python提取PDF中的圖片的實現範例

2022-07-20 14:01:24

1.匯入相關庫

import fitz
import time
import re
import os

2.具體實現

為了方便和其他模組組合，我直接寫了個函數完成這個功能，實現如下：

2.1.使用正規表示式查詢PDF中的圖片

def pdf2pic(path, pic_path):
    '''
    # 從pdf中提取圖片
    :param path: pdf的路徑
    :param pic_path: 圖片儲存的路徑
    :return:
    '''
    t0 = time.clock()
    # 使用正規表示式來查詢圖片
    checkXO = r"/Type(?= */XObject)" 
    checkIM = r"/Subtype(?= */Image)"

2.2.列印PDF的相關資訊

    # 開啟pdf
    doc = fitz.open(path)
    # 圖片計數
    imgcount = 0
    lenXREF = doc._getXrefLength()
 
    # 列印PDF的資訊
    print("檔名:{}, 頁數: {}, 物件: {}".format(path, len(doc), lenXREF - 1))

2.3.遍歷PDF中的物件，遇到是影象才進行下一步，不然就continue

並且我們將檔案的名字命名為word所在的路徑

    # 遍歷每一個物件
    for i in range(1, lenXREF):
        # 定義物件字串
        text = doc.getObjectString(i)
        isXObject = re.search(checkXO, text)
        # 使用正規表示式檢視是否是圖片
        isImage = re.search(checkIM, text)
        # 如果不是物件也不是圖片，則continue
        if not isXObject or not isImage:
            continue
        imgcount += 1
        # 根據索引生成影象
        pix = fitz.Pixmap(doc, i)
        # 根據pdf的路徑生成圖片的名稱
        new_name = path.replace('\', '_') + "_img{}.png".format(imgcount)
        new_name = new_name.replace(':', '')

2.4.將影象存為png格式

        # 如果pix.n<5,可以直接存為PNG
        if pix.n < 5:
            pix.writePNG(os.path.join(pic_path, new_name))
        # 否則先轉換CMYK
        else:
            pix0 = fitz.Pixmap(fitz.csRGB, pix)
            pix0.writePNG(os.path.join(pic_path, new_name))
            pix0 = None
        # 釋放資源
        pix = None
        t1 = time.clock()
        print("執行時間:{}s".format(t1 - t0))
        print("提取了{}張圖片".format(imgcount))

2.5.輸入pdf路徑，即可執行

if __name__=='__main__':
    # pdf路徑
    path = r'E:dogcat提取圖片計算機視覺演演算法工程師.pdf'
    pic_path = r'E:dogcat提取圖片測試'
    # 建立儲存圖片的資料夾
    if os.path.exists(pic_path):
        print("資料夾已存在，請重新建立新資料夾！")
        raise SystemExit
    else:
        os.mkdir(pic_path)
    m = pdf2pic(path, pic_path)