从pdf提取图片，有两个库可以提取fitz（要install pymupdf）、pdfminer（install pdfminer3k）

最新推荐文章于 2025-12-04 03:18:52 发布

原创

最新推荐文章于 2025-12-04 03:18:52 发布 · 1.2k 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#PDF内容提取

本文介绍了两种从PDF文件提取图片的方法，包括依赖于pymupdf的fitz库和用于文本提取的pdfminer3k库。虽然pdfminer在文字提取上表现良好，但在图片提取上暂不支持。

前言:下面的代码有注释，下面的也是参考别人的，但是忘记来源了，因为时间隔太久了，哪位小伙伴看到了，可以提一下链接

方法一，这个测试是有用的，fitz（要install pymupdf）

#!/usr/bin/python3
# -*- coding: utf-8 -*-
# @Time    : 2019/3/19 08:51
# @Author  : qizai
# @File    : fetch_pdf_v1.py
# @Software: PyCharm

import fitz  # pip3 install pymupdf
import time
import re
import os


def get_image(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: 无return
    '''
    t0 = time.clock()
    # 00、使用正则表达式查找PDF中的图片
    checkXO = r"/Type(?= */XObject)"
    checkIM = r"/Subtype(?= */Image)"

    # 一、打开pdf，打印PDF的相关信息
    doc = fitz.open(path)
    # 图片计数
    imgcount = 0
    lenXREF = doc._getXrefLength()

    # 打印PDF的信息
    print("文件名:{}, 页数: {}, 对象: {}".format(path, len(doc), lenXREF - 1))

    # 二、遍历PDF中的对象，遇到是图像才进行下一步，不然就continue
    for i in range(1, lenXREF):
        # 定义对象字符串
        # text = doc._getObjectString(i)
        text = doc._getXrefString(i)
        # print(text)
        # continue
        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:
            print("不是图片")
            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(':', ''