提取pdf中的圖片 python

轉載自https://blog.csdn.net/qq_15969343/article/details/81673302

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: 圖片保存的路徑
    :return:
    '''
    t0 = time.clock()
    # 使用正則表達式來查找圖片
    checkXO = r"/Type(?= */XObject)" 
    checkIM = r"/Subtype(?= */Image)"  
    # 打開pdf
    doc = fitz.open(path)
    # 圖片計數
    imgcount = 0
    lenXREF = doc._getXrefLength()
 
    # 打印PDF的信息
    print("文件名:{}, 頁數: {}, 對象: {}".format(path, len(doc), lenXREF - 1))

    # 遍歷每一個對象
    for i in range(1, lenXREF):
        # 定義對象字符串
        text = doc._getObjectString(i)
        isXObject = re.search(checkXO, text)
        # 使用正則表達式查看是否是圖片
        isImage = re.search(checkIM, text)
        # 如果不是對象也不是圖片，則continue
        if not isXObject or not isImage:
            continue
        imgcount += 1
        # 根據索引生成圖像
        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,可以直接存爲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("運行時間:{}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'
    # 創建保存圖片的文件夾
    pdf2pic(path, pic_path)

fitz是pymupdf的一個模塊 pip install pymupdf