python将PDF文件转换为图片存储

序言

最近在做一个关于PDF文档识别的项目，需要将PDF转化为图片再识别，这里使用了PyMuPDF库完成。这里记录一下使用过程。

安装

直接在终端中运行一下命令：

pip install PyMuPDF==1.18.4 -i https://pypi.tuna.tsinghua.edu.cn/simple/

指定版本1.18.4 ，最新版的下面代码有一些函数不支持。

安装完成后直接使用一下代码，更换一下pdf目录地址和输出保存的地址即可：

import os
import fitz  # fitz就是pip install PyMuPDF

def pyMuPDF_fitz(pdfPath, imagePath):
    global count
    # print("imagePath=" + pdfPath)
    pdfDoc = fitz.open(pdfPath)
    for pg in range(pdfDoc.pageCount):
        page = pdfDoc[pg]
        rotate = int(0)
        # 每个尺寸的缩放系数为1.3，这将为我们生成分辨率提高2.6的图像。
        # 此处若是不做设置，默认图片大小为：792X612, dpi=96
        zoom_x = 1.33333333             # (1.33333333-->1056x816)   (2-->1584x1224)
        zoom_y = 1.33333333
        mat = fitz.Matrix(zoom_x, zoom_y).preRotate(rotate)
        try:
            pix = page.getPixmap(matrix=mat, alpha=False)
        except:
            print("imagePath=" + pdfPath)
            continue
        if not os.path.exists(imagePath):  # 判断存放图片的文件夹是否存在
            os.makedirs(imagePath)         # 若图片文件夹不存在就创建

        pix.writePNG(imagePath + '/' + 'images_%s.png' % count)  # 将图片写入指定的文件夹内
        count +=1

if __name__ == "__main__":
    # 1、PDF地址
    pdfPath = r'G:\OCR合同材料\XOCR222'
    # 2、需要储存图片的目录
    imagePath = './imgs_B'
    count = 0
    for name in os.listdir(pdfPath):
        pyMuPDF_fitz(os.path.join(pdfPath,name), imagePath)

提取的图片，以png形式保存：

提取PDF文件中的数字签名图片

有一些PDF上会存在一些数字签名的图片，例如一些印章等等。也可以将其提取出来：

# 安装第三方类库pymupdf：pip install pymupdf
import fitz
import time
import re
import os
# 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.perf_counter()
    # 使用正则表达式来查找图片
    checkXO = r"/Type(?= */XObject)"
    checkIM = r"/Subtype(?= */Image)"

# 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))

    # 遍历PDF中的对象，遇到是图像才进行下一步，不然就continue
    # 遍历每一个对象
    for i in range(1, lenXREF):
        # 定义对象字符串
        text = doc._getXrefString(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 = "{}.png".format(imgcount)

        # 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.perf_counter()
        print("运行时间:{}s".format(t1 - t0))
        print("提取了{}张图片".format(imgcount))

# 输入pdf路径，即可运行
if __name__=='__main__':
    # pdf路径
    path = r'imgs_B_pdf/查树良_15233565680_130323199507174618_承揽协议_普通_13.pdf'
    pic_path = r'E:\PycharmProjects\Date_OCR\imgs_B'
    # 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)

从pdf中提取出的印章等数字签名信息：

删除PDF中的图片

因为有一些印章覆盖会影响识别效果，也可以把图片删除，从新保留为新的pdf，保留了原图层的文字。

# 安装第三方类库pymupdf：pip install pymupdf
import fitz
import time
import re
import os
# 使用正则表达式查找PDF中的图片


def pdf2pic(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.perf_counter()
    # 使用正则表达式来查找图片
    checkXO = r"/Type(?= */XObject)"
    checkIM = r"/Subtype(?= */Image)"

    # 打开pdf
    doc = fitz.open(path)
    lenXREF = doc._getXrefLength()

    # 打印PDF的信息
    print("文件名:{}, 页数: {}, 对象: {}".format(path, len(doc), lenXREF - 1))

    # 遍历PDF中的对象，遇到是图像才进行下一步，不然就continue
    # 遍历每一个对象
    for i in range(1, lenXREF):
        # 定义对象字符串
        text = doc._getXrefString(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
        doc._deleteObject(i)         # 删除图片
    doc.save("test.pdf")     # 重新保存

# 输入pdf路径，即可运行
if __name__=='__main__':
    # pdf路径
    path = r'E:\PycharmProjects\OCR_contract_date\test\咨询协议_普通_19.pdf'
    m = pdf2pic(path)