之前收集了很多优秀的 PDF文档,但是需要看的时候不是很方便,需要去找到这个文件,如果是在手机上的话往往还需要下载 PDF相关的插件才行,而且最大的问题是不便于资料的整理和分享。如果能够将 PDF转换成网页,岂不是就能解决这些问题了?还能直接分享出去。
这里利用 PyPDF包来处理 PDF文件,为了方便快捷,我这里直接将一个页面转换成图片,就不需要去识别页面中的每一个 PDF元素了,这是没必要的
转换过程
这里使用的核心库是PyPDF2
# -*- coding: utf-8 -*-
import io
from wand.image importImage
from wand.color importColor
fromPyPDF2importPdfFileReader, PdfFileWriter
memo = {}
def getPdfReader(filename):
reader = memo.get(filename, None)
if reader isNone:
reader = PdfFileReader(filename, strict=False)
memo[filename] = reader
return reader
def _run_convert(filename, page, res=120):
idx = page + 1
pdfile = getPdfReader(filename)
pageObj = pdfile.getPage(page)
dst_pdf = PdfFileWriter()
dst_pdf.addPage(pageObj)
pdf_bytes = io.BytesIO()
dst_pdf.write(pdf_bytes)
pdf_bytes.seek(0)
img = Image(file=pdf_bytes, resolution=res)
img.format = 'png'
img.compression_quality = 90
img.background_color = Color("white")
img_path = '%s%d.png'% (filename[:filename.rindex('.')], idx)
img.save(filename=img_path)
img.destroy()
#需要注意的是一般PDF文件较大,如果一次性转换整个PDF文件需要小心内存溢出的问题
#我们这里将第一次载入的整个PDF文件保存到内存,避免每次读取的时候都重新载入
总结
上面已经完成了一个 PDF页面的转换,要完成整个文件的转换就很简单了,只需要拿到文件的总页码,然后循环执行就行。考虑到转换比较耗时,可以使用异步处理的方式加快速度。比如可以使用 celery来搭配处理,一定注意小心内存泄露
里面涉及到一些库的按照可以参考这篇blog:
https://blog.csdn.net/hewy0526/article/details/8218450
wand库的官方介绍:
https://docs.wand-py.org/en/latest/guide/install.html#install-imagemagick-on-windows