Python 实现 PDF 提取所有图片

前言

昨天在群里看到有人问一段代码，竟没有人回复。
可能是发错了群聊，索性直接动手实现了一下。
群友给定代码，有大版本更新了，不适用于当前。

---

目录

1. 安装 Python 环境 以及相关依赖
2. 创建目录 res-pdf 将需要转换文件 移至该目录下
3. 运行程序

---

一、安装

环境： Python 3.9.6
官网：Download
Win64：下载

安装后，cmd 执行如下命令

# 更换 pip 镜像源, 加快下载依赖的速度
pip config set global.index-url http://pypi.douban.com/simple/
pip config set install.trusted-host pypi.douban.com

# 安装依赖
pip install fitz pymupdf

二、完整代码

# -*- coding: utf-8 -*-
"""
    @Author: kong
    @File  : pdf-img.py
    @Date  : 2023-05-25 05:54:30
    @GitHub: https://github.com/kongxiaoaaa
    @notes : PDF 自动提取 并 动态创建图集
"""
import time
import os
from pathlib import Path

from fitz import fitz


def doc_to_img(doc, img_count, pdf_name, save_dir):
    """文档提取图片

    Args:
        `doc`: 文档对象
        `img_count`: 图片数量
        `pdf_name`: 文档名称
        `save_dir`: 文档存储路径

    Return:

    """
    # 遍历doc，获取每一页
    for page in doc:
        try:
            img_count += 1
            lstImage = list(page.get_images())
            # 取第一个元组
            xref0 = lstImage[0]
            # 元组转化为列表
            xref1 = list(xref0)
            # 最终取得xref
            xref = xref1[0]
            # 获取文件扩展名，图片内容 等信息
            img = doc.extract_image(xref)
            # 合成最终图像完整路径名
            imageFilename = os.path.join(
                save_dir,
                pdf_name + "_" +
                ("%s-%s." % (img_count, xref) + img["ext"])
            )

            # 存储图片
            with open(imageFilename, mode="wb") as file_obj:
                file_obj.write(img["image"])

        except Exception as err:
            _ = err
            continue
    return img_count


def run(path: Path, save_dir: Path):
    ''' 从pdf中提取图片

    Args:
        `path`: pdf的路径
        `save_dir`: 图片保存的路径

    Return:

    '''
    # 开始时间
    start_time = time.time()
    # 分离出文件名和路径
    pdfsplit = os.path.split(path)
    # 获取文件名
    pdfname = pdfsplit[-1]
    pdfsplit1 = os.path.splitext(pdfname)
    # 获取不带扩展名的文件名
    pdf_name = pdfsplit1[0]

    # 文档对象
    with fitz.Document(path) as doc:
        # 图片计数
        img_count = 0
        # 获取pdf文件对象总数
        lenXREF = doc.xref_length()
        # 打印PDF的信息
        print(f"\n文件名:{path}, 页数: {len(doc)}, 对象: {lenXREF - 1}")
        img_count = doc_to_img(doc, img_count, pdf_name, save_dir)

    # 结束时间
    end_time = time.time()
    print(f"运行时间:{end_time - start_time}s")
    print(f"提取了{img_count}张图片\n-------------------")


def read_pdf_dir() -> list:
    """读取pdf所在目录

    Args:

    Return:
        返回所有 PDF 目录
    """
    pdf_dir: Path = Path(__file__).parent / "res-pdf"
    pdf_list = [_ for _ in pdf_dir.glob("*.pdf")]
    return pdf_list


def create_pdf_imgs_dir(pdf_loads: list):
    """为每一个PDF创建一个图集

    Args:
        `pdf_loads`: pdf 文件路径

    Return:
        生成器返回当前PDF的路径
    """
    for pdf_local in pdf_loads:
        pdf_dir = Path(str(pdf_local).strip(".pdf"))
        if not pdf_dir.exists():
            pdf_dir.mkdir()
        yield pdf_local, pdf_dir


if __name__ == "__main__":
    """
        1. 请创建一个名为 res-pdf 的文件夹
        2. 将需要提取的 pdf 放在其中
        3. 运行程序
    """
    dirs = read_pdf_dir()
    # 遍历创建图片集
    for load_info in create_pdf_imgs_dir(dirs):
        run(load_info[0], load_info[1])

执行如下：