linux将pdf转为png,【PyMuPDF和pdf2image】Python将PDF转成图片PNG和JPG

公众号：前言：在最近的测试中遇到一个与PDF相关的测试需求，其中有一个过程是将PDF转换成图片，然后对图片进行测试。

粗略的试了好几种方式，其中语言尝试了Python和Java，总体而言所找到的Python方式相对比Java更快一些，更简单一些。

下面首先分享一下Python将PDF转换成图片，Java后续有时间在进行分享。

需求：我需要先将PDF转换成为PNG图片，并截取图片的一部分存储，然后作为测试目标进行测试。

操作：

1、PDF转PNG图片

2、对PNG图片进行指定区域截图，在另存到指定文件夹下

针对截图此处所找到的方法如上一篇文章：

1、PyMuPDF将PDF转换成图片

pip install PyMuPDF

import sys, fitz, os, datetime

def pyMuPDF_fitz(pdfPath, imagePath):

startTime_pdf2img = datetime.datetime.now()#开始时间

print("imagePath="+imagePath)

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)

pix = page.getPixmap(matrix=mat, alpha=False)

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' % pg)#将图片写入指定的文件夹内

endTime_pdf2img = datetime.datetime.now()#结束时间

print('pdf2img时间=',(endTime_pdf2img - startTime_pdf2img).seconds)

if __name__ == "__main__":

pdfPath = '../path/demo.pdf'

imagePath = '../path/image'

pyMuPDF_fitz(pdfPath, imagePath)

image.gif

PDF文档页数超过100页的话需要十几秒，因为先转换成一整张1056X816的图片，再对本地文件中的所有图片进行遍历截图，时间上比较慢,通过查看文档发现：

还可以在转换的同时指定图片的大小，对图片指定区域进行截取，这样快很多，一步到位，省去了二次截图的过程，前提使我们必须要知道想要截取哪一块区域并保存

官方示例代码如下：

image

#下面的这段代码就是想要从一页PDF的中心点为起点截取到右下角的区域，截取整张图的1/4.

>>> mat = fitz.Matrix(2, 2) # 在每个方向缩放因子2

>>> rect = page.rect # 页面的矩形

>>> mp = rect.tl + (rect.br - rect.tl) * 0.5 # 矩形的中心

>>> clip = fitz.Rect(mp, rect.br) # 我们想要的剪切区域

>>> pix = page.getPixmap(matrix = mat, clip = clip)

image.gif

实际用到的例子是：

整张图片导出之后是1056x816，但是我想要的是这张图片最底部的部分1056x75，相当于PDF文档的页脚部分。

import sys, fitz, os, datetime

def pyMuPDF_fitz(pdfPath, imagePath):

startTime_pdf2img = datetime.datetime.now()#开始时间

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)

pix = page.getPixmap(matrix=mat, alpha=False)

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' % pg)#将图片写入指定的文件夹内

endTime_pdf2img = datetime.datetime.now()#结束时间

print('pdf2img时间=',(endTime_pdf2img - startTime_pdf2img).seconds)

def pyMuPDF2_fitz(pdfPath, imagePath):

pdfDoc = fitz.open(pdfPath) # open document

for pg in range(pdfDoc.pageCount): # iterate through the pages

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

# 缩放系数1.3在每个维度 .preRotate(rotate)是执行一个旋转

mat = fitz.Matrix(zoom_x, zoom_y).preRotate(rotate)

rect = page.rect # 页面大小

mp = rect.tl + (rect.bl - (0,75/zoom_x)) # 矩形区域 56=75/1.3333

clip = fitz.Rect(mp, rect.br) # 想要截取的区域

pix = page.getPixmap(matrix=mat, alpha=False, clip=clip) # 将页面转换为图像

if not os.path.exists(imagePath):

os.makedirs(imagePath)

pix.writePNG(imagePath+'/'+'psReport_%s.png' % pg)# store image as a PNG

if __name__ == "__main__":

pdfPath = '../path/demo.pdf'

imagePath = '../path/image'

#pyMuPDF_fitz(pdfPath, imagePath)#只是转换图片

pyMuPDF2_fitz(pdfPath, imagePath)#指定想要的区域转换成图片

当然上面这种是综合下来最快的，另外再介绍一种方法pdf2image

2、pdf2image 将PDF转换成图片

pdf2image也是个包装器，真正的转换工具是poppler

GitHub地址：https://github.com/Belval/pdf2image ，上面也有相关的配置说明。

1、安装pdf2image: pip install pdf2image

2、Windows安装配置poppler(这里只介绍Windows，Mac和Linux去上面Github地址里面参考官网)

Windows用户必须为Windows安装http://blog.alivate.com.au/poppler-windows/)，然后将bin/文件夹添加到PATH(开始>输入env>编辑系统环境变量>环境变量...>系统变量>Path)

注意这里配置之后需要重启一下电脑才会生效，不然会报如下错误：

ERROE:FileNotFoundError: [WinError 2] The system cannot find the file specified

During handling of the above exception, another exception occurred:

3、pip install pillow (如果你还没有安装过的话)

from pdf2image import convert_from_path,convert_from_bytes

import tempfile

from pdf2image.exceptions import (

PDFInfoNotInstalledError,

PDFPageCountError,

PDFSyntaxError

)

def pdf2image2(pdfPath, imagePath, pageNum):

#方法一：

#convert_from_path('a.pdf', dpi=500, "output",fmt="JPEG",output_file="ok"

#,thread_count=4)

#这会将a.pdf转换成在output文件夹下形如ok_线程id-页码.jpg的一些文件。

#若不指定thread_count则默认为1，并且在文件名中显示id. 这种转换是直接写入到磁盘上的，

#因此不会占用太多内存。

#下面的写法直接写入到内存,默认是C:\Users\pppp\AppData\Local\Temp\生成的uuid4名字

images = convert_from_path(pdfPath, dpi=96)

for image in images:

if not os.path.exists(imagePath):

os.makedirs(imagePath)

image.save(imagePath+'/'+'psReport_%s.png' % images.index(image), 'PNG')

#方法二：

images = convert_from_bytes(open('/home/belval/example.pdf', 'rb').read())

for image in images:

if not os.path.exists(imagePath):

os.makedirs(imagePath)

image.save(imagePath+'/'+'psReport_%s.png' % images.index(image), 'PNG')

#方法三，也是最推荐的方法

with tempfile.TemporaryDirectory() as path:

images_from_path = convert_from_path(pdfPath, output_folder=path,

dpi=96)

for image in images_from_path:

if not os.path.exists(imagePath):

os.makedirs(imagePath)

image.save(imagePath+'/'

+'psReport_%s.png' % images_from_path.index(image), 'PNG')

print(images_from_path)

以下是参数定义：

convert_from_path(pdf_path, dpi=200, output_folder=None, first_page=None, last_page=None, fmt='ppm', thread_count=1, userpw=None, use_cropbox=False, strict=False, transparent=False, single_file=False, output_file=str(uuid.uuid4()), poppler_path=None)

convert_from_bytes(pdf_file, dpi=200, output_folder=None, first_page=None, last_page=None, fmt='ppm', thread_count=1, userpw=None, use_cropbox=False, strict=False, transparent=False, single_file=False, output_file=str(uuid.uuid4()), poppler_path=None)

pdf_path --> 要转换的PDF文档路径

dpi -->DPI中的图像质量(默认为200)，Windows默认为96dpi

output_folder --> 将生成的图像写入文件夹(而不是直接写入内存)若是path不做指定的话，path的默认地址是：C:\Users\pppp\AppData\Local\Temp\生成的uuid4。

first_page --> 从哪一页开始转换，默认是PDF的第一页

last_page -->转换到哪一页，默认是PDF的最后一页

fmt --> 输出图像格式默认格式是ppm，还可以设置为png和jpeg等

thread_count --> 允许生成多少个线程进行处理，一般不超过4个线程；

userpw --> PDF的密码(若有密码的话需要添加)

use_cropbox -->使用cropbox而不是mediabox

strict --> 参数允许您使用自定义类型PDFSyntaxError捕获pdftoppm语法错误

transparent --> 参数允许生成没有背景的图像，而不是通常的白色图像(为此需要pdftocairo)

single_file --> 使用pdftoppm / pdftocairo中的-singlefile选项

output_file --> 输出文件名是什么

poppler_path --> 查找poppler二进制文件的路径，允许用户使用poppler_path指定poppler的安装路径；默认不指定的话需要将bin添加到系统PATH

pdf2image应该也可以对指定区域进行截取，暂时还没详细研究其方法，因为已经找到更快的方法解决问题了，对比如下所示：

3、 比较PyMuPDF和pdf2image

以下是对一份75页的PDF，输出DPI=96的时间性能对比，pdf2image使用的是默认线程数，下面的对比并没有设置多线程，使用多线程会快一点，当线程数设为5的时候，速度是9秒。

可以看出使用pyMuPDF_Fitz明显快一倍多，最终选取了这种方式。

4、Wand将PDF转换成图片

和pdf2image一样，wand都是包装接口(bindings)，而实际进行转换的工具是ImageMagick.

Wind官网：http://docs.wand-py.org/en/0.5.6/

from wand.image import Image

filename="somefile.pdf"

with(Image(filename=filename, resolution=120)) as source:

images = source.sequence

pages = len(images)

for i in range(pages):

n = i + 1

newfilename = filename[:-4] + str(n) + '.jpeg'

Image(images[i]).save(filename=newfilename)

由于问题已经解决，而且性能也还不错，就没有具体去研究Wind这种方式了，感兴趣的可以去看看。