从pdf提取页面作为jpeg

95

在python代码中，如何有效地将pdf中的某个页面另存为jpeg文件？（用例：我有一个python flask网络服务器，将在其中上传pdf-s，并存储与每个页面相对应的jpeg-s。）

该解决方案已经结束，但是问题在于它不会将整个页面转换为jpeg。

python  image  pdf 
— vishvAs vAsuki
source
1
根据图像，最好提取为png。如果页面主要包含文本，则适用此规则。
— 保罗·鲁尼

Answers:

125

可以使用pdf2image库。

您可以使用以下方法简单地安装它： 

pip install pdf2image

安装后，您可以使用以下代码获取图像。

from pdf2image import convert_from_path
pages = convert_from_path('pdf_file', 500)

以jpeg格式保存页面

for page in pages:
    page.save('out.jpg', 'JPEG')

编辑：Github repo pdf2image也提到它使用pdftoppm并且需要其他安装：

pdftoppm是执行实际操作的软件。它作为更大的软件包poppler的一部分分发。Windows用户必须为Windows安装poppler。Mac用户必须为Mac安装poppler。如果发行版未安装，则Linux用户将预先安装pdftoppm（已在Ubuntu和Archlinux上进行了测试），请运行sudo apt install poppler-utils。

您可以通过以下步骤使用anaconda在Windows下安装最新版本：

conda install -c conda-forge poppler

注意：http：//blog.alivate.com.au/poppler-windows/上提供的Windows版本最高为0.67，但请注意，0.68已于2018年8月发布，因此您将无法获得最新功能或错误修复。

— 凯瓦尔·戴夫（Keval Dave）
source
4
嗨，poppler只是一个压缩文件，没有安装任何东西，该怎么处理dll或bin文件？
— gaurwraith
@gaurwraith：使用以下链接到poppler。由于某些原因，Rodrigo的描述中的链接与github存储库中的链接不同。
— Tobias '18
@Keval Dave您是否已在Windows计算机上安装poppler并尝试了pdf2image？请使用哪个Windows？
— SKR
1
@elPastor您可以在conver_from_path功能的参数添加first_page和last_page到指定的页面只转换
— Keval戴夫
1
@Jacob 500是dpi。权衡所需的分辨率和可用的计算。在我的实验中，大多数情况下，500个效果很好，而300个让我获得了低分辨率的图像。
— Keval Dave
36

我发现这个简单的解决方案PyMuPDF可以输出到png文件。请注意，该库被导入为“ fitz”，这是它使用的渲染引擎的历史名称。

import fitz

pdffile = "infile.pdf"
doc = fitz.open(pdffile)
page = doc.loadPage(0)  # number of page
pix = page.getPixmap()
output = "outfile.png"
pix.writePNG(output)
— JJPty
source
1
请在回答中添加解释。
— Shanteshwar Inde
1
一个好的库，它可以毫无问题地安装在Windows 10上（不需要轮子）。github.com/pymupdf
— Che同志
7
这是最好的答案。这是唯一不需要在我的操作系统上进行额外安装的代码。Python脚本应专注于在Python系统中工作。我不需要安装poppler，pdftoppm，imageMagick或ghostscript等（Python 3.6）
— ZStoneDPM
1
实际上，它需要另一个安装（fitz库，甚至没有被引用就导入了它及其依赖项），这个答案是不完整的（就像这个问题的所有答案一样）
— Tommaso Guerrini
1
@JJPty我们可以从pdfurl中获取代替路径中的pdf文件吗？另外，png文件是否可能是流内数据而不是output-png文件？
— Shubham Agrawal
18

Python库pdf2image其实（在对方的回答中）没有做远不止推出 pdttoppm有subprocess.Popen，所以这里是一个短版，直接做：

PDFTOPPMPATH = r"D:\Documents\software\____PORTABLE\poppler-0.51\bin\pdftoppm.exe"
PDFFILE = "SKM_28718052212190.pdf"

import subprocess
subprocess.Popen('"%s" -png "%s" out' % (PDFTOPPMPATH, PDFFILE))

这是Windows安装链接pdftoppm（包含在名为poppler的软件包中）：http : //blog.alivate.com.au/poppler-windows/

— 巴吉
source
4
嗨，pdftoppm的Windows安装链接只是一堆压缩文件，为了使其正常工作，您与它们有什么关系？谢谢！
— gaurwraith
14

无需在操作系统上安装Poppler。这将起作用：

点安装魔杖

from wand.image import Image

f = "somefile.pdf"
with(Image(filename=f, resolution=120)) as source: 
    for i, image in enumerate(source.sequence):
        newfilename = f[:-4] + str(i + 1) + '.jpeg'
        Image(image).save(filename=newfilename)
— 开发者B2F
source
10
需要安装ImageMagick库才能在魔杖上工作。
— Neeraj Gulia
2
我尝试了此操作，还需要安装Ghostscript（使用Windows 10和Python 3.7）。做到了，它运行完美。
— jcf
1
f [：-4]的作用是什么？它在其他任何地方均未提及
— Ari
@Ari f [：-4]将从文件名中切出“ .pdf”（字符串切片），以使用其他扩展名创建新文件名。
— Fabian
9

@gaurwraith，为Windows安装poppler并使用pdftoppm.exe，如下所示：

  1. 从http://blog.alivate.com.au/poppler-windows/下载带有Poppler最新二进制文件/ dll的zip文件，然后解压缩到程序文件文件夹中的新文件夹。例如：“ C：\ Program Files（x86）\ Poppler”。

  2. 将“ C：\ Program Files（x86）\ Poppler \ poppler-0.68.0 \ bin”添加到您的SYSTEM PATH环境变量。

  3. 从cmd行安装pdf2image模块->“ pip install pdf2image”。

  4. 或者，如用户Basj所述，使用Python的子进程模块直接从代码中执行pdftoppm.exe。

@vishvAs vAsuki，此代码应通过子处理模块为给定文件夹中一个或多个pdf的所有页面生成所需的jpg：

import os, subprocess

pdf_dir = r"C:\yourPDFfolder"
os.chdir(pdf_dir)

pdftoppm_path = r"C:\Program Files (x86)\Poppler\poppler-0.68.0\bin\pdftoppm.exe"

for pdf_file in os.listdir(pdf_dir):

    if pdf_file.endswith(".pdf"):

        subprocess.Popen('"%s" -jpeg %s out' % (pdftoppm_path, pdf_file))

或使用pdf2image模块：

import os
from pdf2image import convert_from_path

pdf_dir = r"C:\yourPDFfolder"
os.chdir(pdf_dir)

    for pdf_file in os.listdir(pdf_dir):

        if pdf_file.endswith(".pdf"):

            pages = convert_from_path(pdf_file, 300)
            pdf_file = pdf_file[:-4]

            for page in pages:

               page.save("%s-page%d.jpg" % (pdf_file,pages.index(page)), "JPEG")
— photek1944
source
这很有帮助。谢谢！
— Sreekiran
1
这实际上应该是公认的答案。显示如何处理Poppler已安装的二进制文件
— Kunj Mehta，
3

他们是一个名为pdftojpg的实用程序，可用于将pdf转换为img

您可以在这里找到代码https://github.com/pankajr141/pdf2jpg

from pdf2jpg import pdf2jpg
inputpath = r"D:\inputdir\pdf1.pdf"
outputpath = r"D:\outputdir"
# To convert single page
result = pdf2jpg.convert_pdf2jpg(inputpath, outputpath, pages="1")
print(result)

# To convert multiple pages
result = pdf2jpg.convert_pdf2jpg(inputpath, outputpath, pages="1,0,3")
print(result)

# to convert all pages
result = pdf2jpg.convert_pdf2jpg(inputpath, outputpath, pages="ALL")
print(result)
— 鸭
source
2
这个Java东西只是删除了我整个充满pdf操作python脚本的文件夹....？
— Ulf Gjerdingen '18
2

对于基于Linux的系统，GhostScript的执行速度比Poppler快得多。

以下是pdf到图像转换的代码。

def get_image_page(pdf_file, out_file, page_num):
    page = str(page_num + 1)
    command = ["gs", "-q", "-dNOPAUSE", "-dBATCH", "-sDEVICE=png16m", "-r" + str(RESOLUTION), "-dPDFFitPage",
               "-sOutputFile=" + out_file, "-dFirstPage=" + page, "-dLastPage=" + page,
               pdf_file]
    f_null = open(os.devnull, 'w')
    subprocess.call(command, stdout=f_null, stderr=subprocess.STDOUT)

GhostScript可以使用以下命令安装在macOS上 brew install ghostscript

其他平台的安装信息可在此处找到。如果您的系统上尚未安装它。

— 凯瓦尔·戴夫（Keval Dave）
source
0

我使用pdf2image的（也许）简单得多的选项：

cd $dir
for f in *.pdf
do
  if [ -f "${f}" ]; then
    n=$(echo "$f" | cut -f1 -d'.')
    pdftoppm -scale-to 1440 -png $f $conv/$n
    rm $f
    mv  $conv/*.png $dir
  fi
done

这是循环中bash脚本的一小部分，用于使用狭窄的投射设备。每5秒钟检查一次添加的pdf文件（全部）并进行处理。这是针对演示设备的，最终转换将在远程服务器上完成。现在可以转换为.PNG，但是.JPG也可以。

这种转换以及A4格式的过渡，显示视频，两个平滑滚动文本和徽标（三个版本中有过渡），将Pi3设置为最高4x 100％cpu-load ;-)

— 罗伯特
source
0 
from pdf2image import convert_from_path
import glob

pdf_dir = glob.glob(r'G:\personal\pdf\*')  #your pdf folder path
img_dir = "G:\\personal\\img\\"           #your dest img path

for pdf_ in pdf_dir:
    pages = convert_from_path(pdf_, 500)
    for page in pages:
        page.save(img_dir+pdf_.split("\\")[-1][:-3]+"jpg", 'JPEG')
— 塞普拉萨德·巴特瓦德卡
source
如果您解释了所提供的代码如何回答该问题，那么这将是一个更好的答案。
— pppery
1
@pppery Python可读性强，注释确实指示了源文件夹和输出文件夹，其余的读起来像英语。
— 阿里（Ari）
-1

这是一种不需要其他库且速度非常快的解决方案。可以从以下网址找到它：https : //nedbatchelder.com/blog/200712/extracting_jpgs_from_pdfs.html# 我已在函数中添加了代码以使其更加方便。

def convert(filepath):
    with open(filepath, "rb") as file:
        pdf = file.read()

    startmark = b"\xff\xd8"
    startfix = 0
    endmark = b"\xff\xd9"
    endfix = 2
    i = 0

    njpg = 0
    while True:
        istream = pdf.find(b"stream", i)
        if istream < 0:
            break
        istart = pdf.find(startmark, istream, istream + 20)
        if istart < 0:
            i = istream + 20
            continue
        iend = pdf.find(b"endstream", istart)
        if iend < 0:
            raise Exception("Didn't find end of stream!")
        iend = pdf.find(endmark, iend - 20)
        if iend < 0:
            raise Exception("Didn't find end of JPG!")

        istart += startfix
        iend += endfix
        jpg = pdf[istart:iend]
        newfile = "{}jpg".format(filepath[:-3])
        with open(newfile, "wb") as jpgfile:
            jpgfile.write(jpg)

        njpg += 1
        i = iend

        return newfile

以pdf路径作为参数调用convert，该函数将在同一目录中创建一个.jpg文件

— moo5e
source
1
这项技术看起来像是提取嵌入在文件中的图像，而不是将文件的页面光栅化为提问者想要的图像。
— Josh Gallagher
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.