1.导入相关库
- import fitz
- import time
- import re
- import os
2.具体实现
为了方便和其他模块组合,我直接写了个函数完成这个功能,实现如下:
2.1.使用正则表达式查找PDF中的图片
- def pdf2pic(path, pic_path):
- '''
- # 从pdf中提取图片
- :param path: pdf的路径
- :param pic_path: 图片保存的路径
- :return:
- '''
- t0 = time.clock()
- # 使用正则表达式来查找图片
- checkXO = r"/Type(?= */XObject)"
- checkIM = r"/Subtype(?= */Image)"
2.2.打印PDF的相关信息
- # 打开pdf
- doc = fitz.open(path)
- # 图片计数
- imgcount = 0
- lenXREF = doc._getXrefLength()
-
- # 打印PDF的信息
- print("文件名:{}, 页数: {}, 对象: {}".format(path, len(doc), lenXREF - 1))
2.3.遍历PDF中的对象,遇到是图像才进行下一步,不然就continue
并且我们将文件的名字命名为word所在的路径
- # 遍历每一个对象
- for i in range(1, lenXREF):
- # 定义对象字符串
- text = doc.getObjectString(i)
- isXObject = re.search(checkXO, text)
- # 使用正则表达式查看是否是图片
- isImage = re.search(checkIM, text)
- # 如果不是对象也不是图片,则continue
- if not isXObject or not isImage:
- continue
- imgcount += 1
- # 根据索引生成图像
- pix = fitz.Pixmap(doc, i)
- # 根据pdf的路径生成图片的名称
- new_name = path.replace('\\', '_') + "_img{}.png".format(imgcount)
- new_name = new_name.replace(':', '')
2.4.将图像存为png格式
- # 如果pix.n<5,可以直接存为PNG
- if pix.n < 5:
- pix.writePNG(os.path.join(pic_path, new_name))
- # 否则先转换CMYK
- else:
- pix0 = fitz.Pixmap(fitz.csRGB, pix)
- pix0.writePNG(os.path.join(pic_path, new_name))
- pix0 = None
- # 释放资源
- pix = None
- t1 = time.clock()
- print("运行时间:{}s".format(t1 - t0))
- print("提取了{}张图片".format(imgcount))
2.5.输入pdf路径,即可运行
- if __name__=='__main__':
- # pdf路径
- path = r'E:\dogcat\提取图片\计算机视觉算法工程师.pdf'
- pic_path = r'E:\dogcat\提取图片\测试'
- # 创建保存图片的文件夹
- if os.path.exists(pic_path):
- print("文件夹已存在,请重新创建新文件夹!")
- raise SystemExit
- else:
- os.mkdir(pic_path)
- m = pdf2pic(path, pic_path)
3.结果预览
3.1.程序结果

3.2.原本的pdf

3.3.提取出来的图片

到此这篇关于Python提取PDF中的图片的实现示例的文章就介绍到这了,更多相关Python提取PDF图片内容请搜索w3xue以前的文章或继续浏览下面的相关文章希望大家以后多多支持w3xue!