之前参考了另一个博主关于用python提取PDF图片的贴子:Python提取PDF中的图片_Jayce~的博客-CSDN博客_python提取pdf中的图片
把代码复制下来跑了一遍,但是没有成功。后来发现是Python、pymupdf模块版本更新的缘故,导致原有一些语句已经过时不再适用,所以修复了原有代码的一些BUG,写了这篇贴子供有需要的人参考。
2.代码直接上代码,经过调试可用:
import fitz, time, re, 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: ''' t0 = time.process_time() #原先的time.clock()已经不适用,要改成time.process_time() # 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) # 图片计数 imgcount = 0 lenXREF = doc.xref_length() #_getXrefLength()不适用,要改成xref_length() # 打印PDF的信息 print("文件名:{}, 页数: {}, 对象: {}".format(path, len(doc), lenXREF - 1)) # 遍历每一个对象 for i in range(1, lenXREF): # 定义对象字符串 text = doc.xref_object(i) #getObjectString()不适用,要改成xref_object() 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 = path.replace('\', '_') + "_img{}.png".format(imgcount) new_name = new_name.replace(':', '') # 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.process_time() #同上,time.clock()不适用,改成time.process_time() print("运行时间:{}s".format(t1 - t0)) print("提取了{}张图片".format(imgcount)) if __name__=='__main__': # pdf路径 path = r'在这里输入你的PDF路径' pic_path = r'提取图片后的输出路径' # 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)
在PDF路径处把path和pic_path修改成文件的实际路径就可以了。
3.注意事项3.1运行环境:
windows 10 教育版 64位
Python版本:3.8.8
编译器:VScode + Anaconda
3.2pymupdf更新:
pymupdf模块官网:Installation — PyMuPDF 1.19.2 documentation
如果有安装fitz模块,请直接卸载掉fitz模块,否则导入fitz模块会出错。在终端输入:
pip unstall fitz
然后安装pymupdf:
python -m pip install --upgrade pip python -m pip install --upgrade pymupdf
如果安装没有成功,有可能是没有用管理员权限打开终端。由于我是用VScode搭载Anaconda来写Python代码,所以任何模块都需要在Anaconda prompt下安装。以此为例:
用管理员身份打开后再运行上述代码,就可以成功安装pymupdf模块。成功安装该模块后输入import fitz就不会报错。
3.3BUG修复:
- #原先的time.clock()已经不适用,要改成time.process_time()
- #_getXrefLength()不适用,要改成xref_length()
- #getObjectString()不适用,要改成xref_object()
以上三处如果不改过来,都会报错: AttributeError,系统会说没有这个属性。
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)