Python提取PDF中的圖片
阿新 • • 發佈:2019-01-27
# 2018/08/16更新:
有些同學不知道fitz庫是什麼,它是pymupdf中的一個模組,操作PDF非常舒服,只需要pip安裝即可:
pip install pymupdf
Python提取word中的圖片(需要的自取):
最近專案需要把word、PDF中的圖片專門提取出來儲存到另外的資料夾,最終成功實現;
最近專案需要把word、PDF中的圖片專門提取出來儲存到另外的資料夾,最終成功實現;
最近專案需要把word、PDF中的圖片專門提取出來儲存到另外的資料夾,最終成功實現;
重要的事情說三遍,詳細步驟記錄如下:
目錄
1.倒入相關庫
import fitz
import time
import re
import os
2.具體實現
為了方便和其他模組組合,我直接寫了個函式完成這個功能,實現如下:
2.1使用正則表示式查詢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() # 使用正則表示式來查詢圖片 checkXO = r"/Type(?= */XObject)" checkIM = r"/Subtype(?= */Image)"
2.3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))
2.4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) # 使用正則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(':', '')
2.5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))
2.6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)