PDF图片提取

本文作者：王碧琪
文字编辑：戴 雯
技术总编：张 邯

之前我们使用pymupdf提取了PDF文档中的文本信息，那么对于图片信息，也可以进行一波提取。今天我们一起来试试。

一、简介

待提取PDF文档“demo1”内容如下：

image

可以观察到，该文档中共有4张图片。提取思路为：首先得到PDF文档的所有对象，然后遍历它们判断是否是图片类型，再将图片信息写入，最后保存为png格式文件。

二、图片提取

（一）引入相应的库

import fitz #处理PDF
import re #使用正则表达式
import os #进行相关路径的判断

（二）导入PDF&创建导出图片的文件夹

path = r"F: \pdfs\demo1.pdf" #导入的pdf的路径
pic_path = r"F: \ima" #导出图片的文件夹
if not os.path.exists(pic_path):
    os.mkdir(pic_path)
else:
    print("文件夹已存在，不必重建！")

doc = fitz.open(path) #打开pdf文件
lenXREF = doc.xrefLength()-1 #获取对象数量长度
print(f"文件名:{path}, 页数: {doc.pageCount}, 对象: {lenXREF}") # 打印PDF的信息

运行结果为：

文件夹已存在，不必重建！
文件名:F: \pdfs\demo1.pdf, 页数: 3, 对象: 54

xref是cross-reference的缩写。xref比现有对象的数量大一个，所以可以用Document.xrefLength()-1得到PDF文档中的对象总数。结果显示：demo1文档有3页，54个对象。

（三）遍历对象，定位图片

for i in range(1, lenXREF):
    print(i)
    text = doc.xrefObject(i)  #得到xref对象的相关信息
    print(text)

部分结果如下：

image

可以看到其中记录了每一个对象的信息。例如对象3，它是一个图片，text中记录了它的type和subtype。我们利用subtype标记为image这一点，来定位图片。

checkIM = r"/Subtype(?= */Image)" # 使用正则表达式来查找图片
for i in range(1, lenXREF):
    text = doc.xrefObject(i) # 定义对象字符串       
    isImage = re.search(checkIM, text) # 查看是否是image
    if isImage:
        print(i)

运行结果为：

3
4
7
32

这样就定位到了文档中的4张图片。

（四）提取图片

使用fitz.Pixmap(doc,xref)函数创建pixmap。像素图的属性（宽度、高度等）将反映图像的属性。这里的xref要对应上面定位到的图片的xref标号。使用pixmap对象的writePNG(filename)函数，可以将pixmap保存为png格式的图片。

imgcount = 0  # 图片计数
for i in range(1, lenXREF):
    text = doc.xrefObject(i) # 定义对象字符串       
    isImage = re.search(checkIM, text) # 查看是否是image
    if not isImage: # 如果不是图片，则进行下一个判断
        continue     
    imgcount += 1 #图片计数
    pix = fitz.Pixmap(doc, i) # 生成图像对象    
    new_name = f"图片{imgcount}.png" # 生成图片的名称
    print(new_name)
    pix.writePNG(os.path.join(pic_path, new_name))
    pix = None 

运行结果是：

图片1.png
图片2.png
图片3.png
图片4.png

去目标文件夹看一下，成功提取了相应的图片：

image