Python编程：利用ImageMagick转换PDF为图片并识别提取图表

思路是这样的：

pdf -> image -> 识别其中的图表 -> 通过PIL截取图片

整个过程尝试了很多方式，最终效果不是很完美，还需要继续探索

包括以下开源库

Tabula

前端截图提取表格数据，效果还可以，使用简单
使用步骤：

1. 下载 https://tabula.technology/
2. 启动 Tabula
3. 打开 http://localhost:8080

如果是安装python的第三方模块，使用命令：

pip install tabula-py

ImageMagick

可以进行图片格式转换，pdf转图片

1、安装ImageMagick
mac

brew install ImageMagick

Linux

yum install ImageMagick  # 安装

yum remove ImageMagick  # 卸载

或者：
官网下载对应平台的压缩包：https://www.imagemagick.org/script/download.php

2、安装ghostscript：
brew install ghostscript

配置ImageMagick环境变量vim ~/.bash_profile

export MAGICK_HOME=/Users/qmp/Applications/ImageMagick-7.0.8
export PATH="$MAGICK_HOME/bin:$PATH"
export DYLD_LIBRARY_PATH="$MAGICK_HOME/lib/"

source ~/.bash_profile

命令行测试

convert -version

convert a.jpg a.png

convert -limit thread 1 names.pdf -background white -alpha remove -colorspace RGB  -colorspace sRGB out.jpg

提高图片质量

$ convert -density 300 -quality 100 test.pdf 1.png

参数解析:

-density 300
图像每英寸面积内的像素点数，数值越高图片质量越高

-quality 100
这个为转换png时的压缩率，100表示不压缩

参数设置：
https://www.imagemagick.org/www/script/convert.php

python库wand

支持ImageMagick接口，只支持6版本，而ImageMagick最新为7版本，Mac上尝试安装不成功
http://docs.wand-py.org/

网络资源

pdf转图片：
http://app.xunjiepdf.com/pdf2jpg
http://pdftoword.55.la/pdf-to-jpg/

百度ai通用图像分析：
https://ai.baidu.com/tech/imagerecognition/general

完整过程

1. 先使用ImageMagick将pdf文件转为png图片格式

import os

pdfname = "names.pdf"

os.makedirs("out", exist_ok=True)

cmd = (
    "source ~/.bash_profile; "
    "convert "
    "-limit thread 1 {} "
    "-background white "
    "-alpha remove "
    "-colorspace RGB  "
    "-colorspace sRGB "
    "out/out.jpg"
).format(pdfname)

result = os.popen(cmd)
print(result.read())

2. 通过百度AI接口将图片中的主物体识别出来，获取坐标

from aip import AipImageClassify

""" 你的 APPID AK SK """
APP_ID = '你的 App ID'
API_KEY = '你的 Api Key'
SECRET_KEY = '你的 Secret Key'

filename = "name.png"

client = AipImageClassify(APP_ID, API_KEY, SECRET_KEY)

with open(filename, "rb") as f:
    image = f.read()

result = client.objectDetect(image)
print(result)
data = result.get("result")

3. 通过百度识别出来的坐标，使用PIL将需要的图片截取出来

width = data.get("width")
height = data.get("height")
top = data.get("top")
left = data.get("left")

from PIL import Image

im = Image.open(filename)
box = (left, top, left + width, top + height)
region = im.crop(box)
region.save("cutting.jpg")

参考：

1. Mac下使用Python进行pdf到image的转换
2. Python 将pdf转成图片
3. 利用ImageMagick把pdf批量转换为高质量图片