pdf文件转图片的两种方法

本文主要记录几种pdf文件转为图片的几种方法，方便日后使用。

1、借助PyMuPDF库

可以将页面呈现为光栅或矢量（SVG）图像，可以选择缩放、旋转、移动或剪切页面。

1）安装

pip install PyMuPDF

2）查看版本

import fitz
print(fitz.__doc__)

3）常用接口

• 打开pdf文件，或者创建pdf文件

  doc=fitz.open（文件名）#或fitz.Document（文件名）
  

  Document的一些属性：

  属性	描述
  Document.page_count	int类型，页数
  Document.get_toc()	list类型，内容目录
  Document.load_page()	读取页面

• 加载页面

  page = doc.load_page(pno)
  page = doc[pno]
  page = doc[-1] # 最后一页
  # 也可以作为迭代器
  for page in doc:
      ....
  # 从后往前读取
  for page in reversed(doc): 
      ....
  # 切片
  for page in doc.pages(start, stop, step):
      ....	    
  

• 呈现页面

  # 函数定义
  def get_pixmap(
      self,
      matrix: AnyType = None,
      colorspace: "Colorspace" = None,
      alpha: int = 0,
  ) -> "Pixmap":
  
  pix = page.get_pixmap()
  

  pix是一个Pixmap对象，它（在本例中）包含页面的RGB图像，可用于多种用途。方法Page.get_pixmap（）提供了许多用于控制图像的变体：分辨率、颜色空间（例如，生成灰度图像或具有减色方案的图像）、透明度、旋转、镜像、移位、剪切等。
  例如：创建RGBA图像（即，包含alpha通道），指定pix=page.get_pixmap（alpha=True）。
  Pixmap包含以下引用的许多方法和属性。其中包括整数宽度、高度（每个像素）和跨距（一个水平图像行的字节数）。属性示例表示表示图像数据的矩形字节区域（Python字节对象）。

• 将页面图像保存到文件中

  pix.save('page.png') # 将页面图像保存到文件page.png中
  

4）将pdf转为图片实例

def pdf2img(pdf_path, zoom_x, zoom_y, rotate_angle=0, clip_roi=None):
    '''
        zoom_x x方向的缩放系数
        zoom_y y方向的缩放系数
        rotation_angle 旋转角度
        clip_roi 裁切区域坐标
    '''
    # open pdf file
    pdf = fitz.open(pdf_path)
    # logger.debug('Total: %d pages.'%pdf.pageCount)

    page = pdf[0] # 处理第一页
    # 设置缩放和旋转系数
    trans = fitz.Matrix(zoom, zoom).preRotate(rotate_angle)

    if clip_roi is not None:
        rect = page.rect  # 页面大小
        mp = rect.tl + (rect.br - rect.tl) * 0.5  # 矩形的中心
        # clip = fitz.Rect(mp, rect.br)  # 想要截取的区域
        clip = fitz.Rect(clip_roi[0], clip_roi[1])  # 想要截取的区域
        pix = page.get_pixmap(matrix=trans, alpha=False, clip=clip)  # 将页面转换为图像
    else:
        pix = page.get_pixmap(matrix=trans, alpha=False)

    save_roi_name = pdf_path[:-4] + '_clip.png'
    pix .save(save_roi_name)
    pdf.close()

2、基于pdfplumber库

1）安装

pip install pdfplumber

2）常用接口

• 读取pdf文件

  # 打开pdf文件
  pdfplumber.open("test.pdf")
  # 从内存加载
  pdfplumber.load(file_like_object)
  

  这两种方法都返回pdfplumber.PDF类的实例。
  若pdf带有密码，则需要传入password参数

  pdfplumber.open('test.pdf', password='test')`
  

• pfplumber.Page类
  pdfplumber.Page类是pdfplumber整个的核心，有以下几个属性和方法：

属性	描述
.page_number	页码顺序，从1开始
.width	页面宽度
.height	页面高度
.objects /.chars / .lines / .rects / .curves / .images / .figures	这些属性都是列表形式

方法	描述
.crop(bounding_box)	返回裁剪后的页面，bounding_box的值表示为(x0, top, x1, bottom)的四元组。
.extract_text(x_tolerance=0, y_tolerance=0)	将页面中所有的字符对象提取到一个字符串中
.extract_words(x_tolerance=0, y_tolerance=0, horizontal_ltr=True, vertical_ttb=True)	返回所有单词外观及其边界框的列表
.to_image(**conversion_kwargs)	返回PageImage类的实例。

• 保存图像

  im.save(path_or_object, format="PNG")
  

3）实例

import pdfplumber

path = './express_datas/YTO.pdf'
pdf = pdfplumber.open(path)

first_page = pdf.pages[0] # 第一页

print(first_page.page_number)
print('Page_W: ', first_page.width)
print('Page_H: ',first_page.height)

text = first_page.extract_text() # 提取页面中的文本内容
print(text)

im = first_page.to_image(resolution=96)

im.save('output.jpg')
pdf.close()