上一篇
PDF文件是文档共享的常见格式，其中经常包含有价值的图像内容。本教程将详细介绍如何使用Python从PDF文件中提取图片，包含两种主流方法：PyPDF2（纯Python实现）和pdf2image（基于Poppler的高性能解决方案）。
应用场景： 从扫描的PDF文档中提取图像、获取PDF报告中的图表、批量处理包含图像的PDF文档、PDF内容分析等。
准备工作
在开始之前，请确保已安装Python环境（建议Python 3.7+）。我们将使用以下库：
1
安装PyPDF2
PyPDF2是纯Python的PDF处理库，无需外部依赖：
pip install PyPDF22
安装pdf2image
pdf2image提供更强大的图像提取功能，但需要安装Poppler：
pip install pdf2image安装Poppler：
- Windows: 下载并添加到PATH
- macOS:
brew install poppler - Linux:
sudo apt-get install poppler-utils
方法一：使用PyPDF2提取图片
PyPDF2适合处理简单的PDF文件，下面是完整的代码示例：
import PyPDF2
from PIL import Image
import os
def extract_images_with_pypdf2(pdf_path, output_folder):
# 确保输出目录存在
os.makedirs(output_folder, exist_ok=True)
# 打开PDF文件
pdf_file = open(pdf_path, 'rb')
pdf_reader = PyPDF2.PdfReader(pdf_file)
# 遍历所有页面
for page_num in range(len(pdf_reader.pages)):
page = pdf_reader.pages[page_num]
# 获取页面中的XObject
if '/XObject' in page['/Resources']:
x_object = page['/Resources']['/XObject'].get_object()
for obj in x_object:
if x_object[obj]['/Subtype'] == '/Image':
# 获取图像对象
img = x_object[obj]
# 获取图像数据
img_data = img.get_data()
# 根据图像格式保存
if '/Filter' in img:
if img['/Filter'] == '/FlateDecode':
# 保存为PNG
img_path = os.path.join(output_folder,
f"page_{page_num+1}_img_{obj[1:]}.png")
with open(img_path, 'wb') as img_file:
img_file.write(img_data)
elif img['/Filter'] == '/DCTDecode':
# 保存为JPEG
img_path = os.path.join(output_folder,
f"page_{page_num+1}_img_{obj[1:]}.jpg")
with open(img_path, 'wb') as img_file:
img_file.write(img_data)
elif img['/Filter'] == '/JPXDecode':
# 保存为JPEG 2000
img_path = os.path.join(output_folder,
f"page_{page_num+1}_img_{obj[1:]}.jp2")
with open(img_path, 'wb') as img_file:
img_file.write(img_data)
else:
# 尝试保存为PNG
img_path = os.path.join(output_folder,
f"page_{page_num+1}_img_{obj[1:]}.png")
with open(img_path, 'wb') as img_file:
img_file.write(img_data)
pdf_file.close()
print(f"图片已提取到: {output_folder}")
# 使用示例
extract_images_with_pypdf2('example.pdf', 'extracted_images')✅ 优点
- 纯Python实现，无需外部依赖
- 适合简单PDF文档
- 可以处理多种图像格式
❌ 缺点
- 对于复杂PDF支持有限
- 不能处理扫描的PDF文档
- 对某些图像格式支持不完善
方法二：使用pdf2image提取图片
pdf2image库通过Poppler提供更强大、更可靠的PDF图像提取功能：
from pdf2image import convert_from_path
import os
def extract_images_with_pdf2image(pdf_path, output_folder, dpi=200,
fmt='jpeg', thread_count=4):
"""
使用pdf2image从PDF中提取图片
参数:
pdf_path: PDF文件路径
output_folder: 输出目录
dpi: 图像分辨率(默认为200)
fmt: 输出格式('jpeg', 'png', 'tiff')
thread_count: 使用的线程数
"""
# 确保输出目录存在
os.makedirs(output_folder, exist_ok=True)
# 转换PDF为图像
images = convert_from_path(pdf_path,
dpi=dpi,
fmt=fmt,
output_folder=output_folder,
output_file='page',
paths_only=True,
thread_count=thread_count)
print(f"成功提取 {len(images)} 张图片到 {output_folder}")
# 使用示例
extract_images_with_pdf2image('example.pdf', 'pdf_images', dpi=300)参数说明：
dpi- 设置图像分辨率（建议200-300）fmt- 输出格式（jpeg, png, tiff）thread_count- 多线程处理加速提取output_file- 输出文件名模式
两种方法对比
| 特性 | PyPDF2 | pdf2image |
|---|---|---|
| 处理速度 | 中等 | 快速（支持多线程） |
| 图像质量 | 原始质量 | 可调整DPI |
| 扫描PDF支持 | ❌ 不支持 | ✅ 支持 |
| 外部依赖 | 无 | 需要Poppler |
| 输出格式 | 多种格式 | JPG/PNG/TIFF |
| 推荐场景 | 简单PDF文档 | 专业级应用 |
常见问题与解决方案
1. 提取的图像质量差
使用pdf2image时增加DPI值：
images = convert_from_path('doc.pdf', dpi=300)2. 内存占用过高
对于大型PDF，使用分页处理：
# 每次只处理一页
for page_num in range(10): # 处理前10页
images = convert_from_path('large.pdf',
first_page=page_num+1,
last_page=page_num+1)3. 找不到Poppler路径
在代码中指定Poppler路径：
images = convert_from_path('doc.pdf',
poppler_path=r'C:\path\to\poppler\bin')提示： 处理扫描的PDF文档时，pdf2image是更好的选择，因为它实际上是将PDF页面转换为图像，而不是提取嵌入的图像对象。
总结
本文介绍了两种Python提取PDF图片的方法：
- PyPDF2 - 适合简单的PDF文档，纯Python实现，无需外部依赖
- pdf2image - 功能更强大，支持扫描文档和高质量输出，需要Poppler
对于大多数应用场景，推荐使用pdf2image库，尽管需要安装外部依赖，但它提供了更可靠的结果和更丰富的功能选项。
发表评论