Python利用fitz库提取pdf中的图片（针对多种类型pdf）

参考： https://blog.csdn.net/qq_15969343/article/details/81673302

一. 安装fitz

安装：需要安装fitz和PyMuPDF，否则会报如下错误：ModuleNotFoundError: No module named ‘frontend’

pip install fitz PyMuPDF

二. pdf文件格式问题

2.1 pdf文件存在多种格式

pdf文件的格式有好几种，用Adobe Acroba打开比较正常的论文，如下所示：

这种类型的pdf文件可以比较正常地提取里面的图片。

还有这种类型的，如下图所示：

2.2 分析问题

这种类型pdf文件，提取图片的时候往往会将整个页面当作图片提取出来。

• 利用fitz库读取文件

import fitz
file = 'test.pdf'
doc = fitz.open(file)

• 获取doc的对象数

nums = doc._getXrefLength()

• 遍历每一个对象，定义对象的字符串并打印出来看看是啥玩意儿

for i in range(1, nums):
	# 定义对象字符串
	text = doc._getXrefString(i)
	print(i, text)
	

部分结果如下图所示：

• text是一个字符串，如果是图像，它会包含"/Subtype /Image"和"/Type /XObject"。所以，可以用来匹配图像。

但是，对于2.1节第二种pdf文件，text如下所示：

• 虽然提取到图片，但是这其实是把整张页面作为图片提取出来了，我们并不需要页面图片。

• 通过观察，可以看到，对于这种页面图片，它的宽和高分别是2550和3300，所以可以加入条件去筛选掉这种对象。

• 同时还有可能提取到类似图标的图像，这种类型的对象text里包含"thumbnail"字符串，也可以筛选掉。

for i in range(1, nums):
    # 定义对象字符串
    text = doc._getXrefString(i)
    print(i, text)
    if ('Width 2550' in text) and ('Height 3300' in text) or ('thumbnail' in text):
        continue
        

接下来就是保存图像了，整体代码见第三部分。

三. 代码

import fitz
import re
import os


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:
    '''
    # 打开pdf
    doc = fitz.open(path)
    nums = doc._getXrefLength()
    imgcount = 0 # 图像计数
   
    # 遍历每一个对象
    for i in range(1, nums):
        text = doc._getXrefString(i)
        # print(i, text)
        # 过滤无用图片
        if ('Width 2550' in text) and ('Height 3300' in text) or ('thumbnail' in text):
            continue
            
	    # 使用正则表达式来查找图片
	    checkXO = r"/Type(?= */XObject)"
	    checkIM = r"/Subtype(?= */Image)"
	    
        isXObject = re.search(checkXO, text)
        isImage = re.search(checkIM, text)
        
        # 不符合条件, continue
        if not isXObject or not isImage:
            continue
		imgcount += 1

        # 生成图像
        pix = fitz.Pixmap(doc, i)
		
		# 保存图像名
        img_name = "img{}.png".format(imgcount)
        
        # 如果pix.n<5,可以直接存为PNG
        if pix.n < 5:
            try:
                pix.writePNG(os.path.join(pic_path, img_name))
                pix = None
            except:
                pix0 = fitz.Pixmap(fitz.csRGB, pix)
                pix0.writePNG(os.path.join(pic_path, img_name))
                pix0 = None

if __name__ == '__main__':
    # pdf路径
    path = r'test.pdf'
	
	# 保存的图片路径
    pic_path = 'img'
    
    pdf2pic(path, pic_path)

其他问题：可能提取到的图片尺寸非常小，也可以通过正则表达式提取图像尺寸，设置条件，筛选掉太小的图片。

结束。