1. 程式人生 > >提取pdf中的圖片 python

提取pdf中的圖片 python

import fitz
import time
import re
import os

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)"  
    # 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))

    # 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(':', '')

        # 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))
        
if __name__=='__main__':
    # pdf路徑
    path = r'E:\example\pdf\03.pdf'
    pic_path = r'E:\example\picture\03'
    # 建立儲存圖片的資料夾
    pdf2pic(path, pic_path)

fitz是pymupdf的一個模組 pip install pymupdf