Як можна витягти всі зображення з PDF-документа в рідній роздільній здатності та форматі? (Мається на увазі вилучення tiff як tiff, jpeg як jpeg тощо тощо без передискретизації). Макет неважливий, мені байдуже, якщо вихідне зображення розташоване на сторінці.
Я використовую python 2.7, але можу використовувати 3.x, якщо потрібно.
Відповіді:
Ви можете використовувати модуль PyMuPDF. Це виводить усі зображення у форматі .png-файлів, але працює швидко і швидко.
import fitz
doc = fitz.open("file.pdf")
for i in range(len(doc)):
for img in doc.getPageImageList(i):
xref = img[0]
pix = fitz.Pixmap(doc, xref)
if pix.n < 5: # this is GRAY or RGB
pix.writePNG("p%s-%s.png" % (i, xref))
else: # CMYK: convert to RGB first
pix1 = fitz.Pixmap(fitz.csRGB, pix)
pix1.writePNG("p%s-%s.png" % (i, xref))
pix1 = None
pix = None
pip install pymudfспочатку потрібно очевидно)
pip install pymupdfдля колег Google, які цікавляться, чому вищевказана установка не вдається
RuntimeError: pixmap must be grayscale or rgb to write as png, може хтось допомогти?
У Python з бібліотеками PyPDF2 та Pillow це просто:
import PyPDF2
from PIL import Image
if __name__ == '__main__':
input1 = PyPDF2.PdfFileReader(open("input.pdf", "rb"))
page0 = input1.getPage(0)
xObject = page0['/Resources']['/XObject'].getObject()
for obj in xObject:
if xObject[obj]['/Subtype'] == '/Image':
size = (xObject[obj]['/Width'], xObject[obj]['/Height'])
data = xObject[obj].getData()
if xObject[obj]['/ColorSpace'] == '/DeviceRGB':
mode = "RGB"
else:
mode = "P"
if xObject[obj]['/Filter'] == '/FlateDecode':
img = Image.frombytes(mode, size, data)
img.save(obj[1:] + ".png")
elif xObject[obj]['/Filter'] == '/DCTDecode':
img = open(obj[1:] + ".jpg", "wb")
img.write(data)
img.close()
elif xObject[obj]['/Filter'] == '/JPXDecode':
img = open(obj[1:] + ".jp2", "wb")
img.write(data)
img.close()
NotImplementedError: unsupported filter /DCTDecodeабо ... /JPXDecodeз xObject[obj].getData()першої пари PDF-файлів, які я протестував. Подробиці на gist.github.com/maphew/fe6ba4bf9ed2bc98ecf5
ValueError: not enough image dataвбудовані зображення dctdecode та unsupported filter /JPXDecodeв іншому pdf.
KeyError:/Filterзамість цього видає . Я оновив суть відповідно. Файли PDF - це лише випадкові файли з мережі. Суть посилань на джерела.
Часто у форматі PDF зображення просто зберігається як є. Наприклад, PDF-файл із вставленим jpg матиме діапазон байтів десь посередині, що при розпакуванні є дійсним файлом jpg. Ви можете використовувати це, щоб дуже просто витягти діапазони байтів з PDF. Я писав про це деякий час тому, із зразком коду: Витяг JPG з PDF-файлів .
startmark? ви можете просто розпочати пошук, startmarkоскільки це початок JPG ні? а який сенс startfixзмінної, ти взагалі її не
У Python з PyPDF2 для фільтра CCITTFaxDecode:
import PyPDF2
import struct
"""
Links:
PDF format: http://www.adobe.com/content/dam/Adobe/en/devnet/acrobat/pdfs/pdf_reference_1-7.pdf
CCITT Group 4: https://www.itu.int/rec/dologin_pub.asp?lang=e&id=T-REC-T.6-198811-I!!PDF-E&type=items
Extract images from pdf: http://stackoverflow.com/questions/2693820/extract-images-from-pdf-without-resampling-in-python
Extract images coded with CCITTFaxDecode in .net: http://stackoverflow.com/questions/2641770/extracting-image-from-pdf-with-ccittfaxdecode-filter
TIFF format and tags: http://www.awaresystems.be/imaging/tiff/faq.html
"""
def tiff_header_for_CCITT(width, height, img_size, CCITT_group=4):
tiff_header_struct = '<' + '2s' + 'h' + 'l' + 'h' + 'hhll' * 8 + 'h'
return struct.pack(tiff_header_struct,
b'II', # Byte order indication: Little indian
42, # Version number (always 42)
8, # Offset to first IFD
8, # Number of tags in IFD
256, 4, 1, width, # ImageWidth, LONG, 1, width
257, 4, 1, height, # ImageLength, LONG, 1, lenght
258, 3, 1, 1, # BitsPerSample, SHORT, 1, 1
259, 3, 1, CCITT_group, # Compression, SHORT, 1, 4 = CCITT Group 4 fax encoding
262, 3, 1, 0, # Threshholding, SHORT, 1, 0 = WhiteIsZero
273, 4, 1, struct.calcsize(tiff_header_struct), # StripOffsets, LONG, 1, len of header
278, 4, 1, height, # RowsPerStrip, LONG, 1, lenght
279, 4, 1, img_size, # StripByteCounts, LONG, 1, size of image
0 # last IFD
)
pdf_filename = 'scan.pdf'
pdf_file = open(pdf_filename, 'rb')
cond_scan_reader = PyPDF2.PdfFileReader(pdf_file)
for i in range(0, cond_scan_reader.getNumPages()):
page = cond_scan_reader.getPage(i)
xObject = page['/Resources']['/XObject'].getObject()
for obj in xObject:
if xObject[obj]['/Subtype'] == '/Image':
"""
The CCITTFaxDecode filter decodes image data that has been encoded using
either Group 3 or Group 4 CCITT facsimile (fax) encoding. CCITT encoding is
designed to achieve efficient compression of monochrome (1 bit per pixel) image
data at relatively low resolutions, and so is useful only for bitmap image data, not
for color images, grayscale images, or general data.
K < 0 --- Pure two-dimensional encoding (Group 4)
K = 0 --- Pure one-dimensional encoding (Group 3, 1-D)
K > 0 --- Mixed one- and two-dimensional encoding (Group 3, 2-D)
"""
if xObject[obj]['/Filter'] == '/CCITTFaxDecode':
if xObject[obj]['/DecodeParms']['/K'] == -1:
CCITT_group = 4
else:
CCITT_group = 3
width = xObject[obj]['/Width']
height = xObject[obj]['/Height']
data = xObject[obj]._data # sorry, getData() does not work for CCITTFaxDecode
img_size = len(data)
tiff_header = tiff_header_for_CCITT(width, height, img_size, CCITT_group)
img_name = obj[1:] + '.tiff'
with open(img_name, 'wb') as img_file:
img_file.write(tiff_header + data)
#
# import io
# from PIL import Image
# im = Image.open(io.BytesIO(tiff_header + data))
pdf_file.close()
convertвикористанням subprocessназвати , але це болісно повільно. Дякуємо, що поділилися цим рішенням
tiff_header_structслід прочитати '<' + '2s' + 'H' + 'L' + 'H' + 'HHLL' * 8 + 'L'. Зверніть увагу, зокрема, 'L'на кінець.
Libpoppler постачається з інструментом під назвою "pdfimages", який робить саме це.
(У системах ubuntu це в пакеті poppler-utils)
http://poppler.freedesktop.org/
http://en.wikipedia.org/wiki/Pdfimages
Бінарні файли Windows: http://blog.alivate.com.au/poppler-windows/
pdfimagesвстановлення в підсистемі.
Мені більше подобається minecart, оскільки він надзвичайно простий у використанні. У наведеному нижче фрагменті показано, як витягти зображення з PDF-файлу:
#pip install minecart
import minecart
pdffile = open('Invoices.pdf', 'rb')
doc = minecart.Document(pdffile)
page = doc.get_page(0) # getting a single page
#iterating through all pages
for page in doc.iter_pages():
im = page.images[0].as_pil() # requires pillow
display(im)
Ось моя версія від 2019 року, яка рекурсивно отримує всі зображення з PDF і зчитує їх за допомогою PIL. Сумісний з Python 2/3. Я також виявив, що іноді зображення у PDF може стискатися zlib, тому мій код підтримує декомпресію.
#!/usr/bin/env python3
try:
from StringIO import StringIO
except ImportError:
from io import BytesIO as StringIO
from PIL import Image
from PyPDF2 import PdfFileReader, generic
import zlib
def get_color_mode(obj):
try:
cspace = obj['/ColorSpace']
except KeyError:
return None
if cspace == '/DeviceRGB':
return "RGB"
elif cspace == '/DeviceCMYK':
return "CMYK"
elif cspace == '/DeviceGray':
return "P"
if isinstance(cspace, generic.ArrayObject) and cspace[0] == '/ICCBased':
color_map = obj['/ColorSpace'][1].getObject()['/N']
if color_map == 1:
return "P"
elif color_map == 3:
return "RGB"
elif color_map == 4:
return "CMYK"
def get_object_images(x_obj):
images = []
for obj_name in x_obj:
sub_obj = x_obj[obj_name]
if '/Resources' in sub_obj and '/XObject' in sub_obj['/Resources']:
images += get_object_images(sub_obj['/Resources']['/XObject'].getObject())
elif sub_obj['/Subtype'] == '/Image':
zlib_compressed = '/FlateDecode' in sub_obj.get('/Filter', '')
if zlib_compressed:
sub_obj._data = zlib.decompress(sub_obj._data)
images.append((
get_color_mode(sub_obj),
(sub_obj['/Width'], sub_obj['/Height']),
sub_obj._data
))
return images
def get_pdf_images(pdf_fp):
images = []
try:
pdf_in = PdfFileReader(open(pdf_fp, "rb"))
except:
return images
for p_n in range(pdf_in.numPages):
page = pdf_in.getPage(p_n)
try:
page_x_obj = page['/Resources']['/XObject'].getObject()
except KeyError:
continue
images += get_object_images(page_x_obj)
return images
if __name__ == "__main__":
pdf_fp = "test.pdf"
for image in get_pdf_images(pdf_fp):
(mode, size, data) = image
try:
img = Image.open(StringIO(data))
except Exception as e:
print ("Failed to read image with PIL: {}".format(e))
continue
# Do whatever you want with the image
Я почав з коду @sylvain. Були деякі недоліки, наприклад, виняток NotImplementedError: unsupported filter /DCTDecodegetData, або той факт, що в коді не вдалося знайти зображення на деяких сторінках, оскільки вони були на глибшому рівні, ніж сторінка.
Є мій код:
import PyPDF2
from PIL import Image
import sys
from os import path
import warnings
warnings.filterwarnings("ignore")
number = 0
def recurse(page, xObject):
global number
xObject = xObject['/Resources']['/XObject'].getObject()
for obj in xObject:
if xObject[obj]['/Subtype'] == '/Image':
size = (xObject[obj]['/Width'], xObject[obj]['/Height'])
data = xObject[obj]._data
if xObject[obj]['/ColorSpace'] == '/DeviceRGB':
mode = "RGB"
else:
mode = "P"
imagename = "%s - p. %s - %s"%(abspath[:-4], p, obj[1:])
if xObject[obj]['/Filter'] == '/FlateDecode':
img = Image.frombytes(mode, size, data)
img.save(imagename + ".png")
number += 1
elif xObject[obj]['/Filter'] == '/DCTDecode':
img = open(imagename + ".jpg", "wb")
img.write(data)
img.close()
number += 1
elif xObject[obj]['/Filter'] == '/JPXDecode':
img = open(imagename + ".jp2", "wb")
img.write(data)
img.close()
number += 1
else:
recurse(page, xObject[obj])
try:
_, filename, *pages = sys.argv
*pages, = map(int, pages)
abspath = path.abspath(filename)
except BaseException:
print('Usage :\nPDF_extract_images file.pdf page1 page2 page3 …')
sys.exit()
file = PyPDF2.PdfFileReader(open(filename, "rb"))
for p in pages:
page0 = file.getPage(p-1)
recurse(p, page0)
print('%s extracted images'% number)
img = Image.frombytes(mode, size, data) ValueError: not enough image data
KeyError: '/ColorSpace', тому я б замінив вашу лінію на DeviceRGB на if '/ColorSpace' not in xObject[obj] or xObject[obj]['/ColorSpace'] == '/DeviceRGB':. У кожному разі, це в кінці кінців у мене не спрацювало, оскільки зображення, ймовірно, були у форматі PNG (не впевнений).
xObject[obj]['/Filter']?
Я встановив ImageMagick на своєму сервері, а потім запустив виклики командного рядка через Popen:
#!/usr/bin/python
import sys
import os
import subprocess
import settings
IMAGE_PATH = os.path.join(settings.MEDIA_ROOT , 'pdf_input' )
def extract_images(pdf):
output = 'temp.png'
cmd = 'convert ' + os.path.join(IMAGE_PATH, pdf) + ' ' + os.path.join(IMAGE_PATH, output)
subprocess.Popen(cmd.split(), stderr=subprocess.STDOUT, stdout=subprocess.PIPE)
Це створить зображення для кожної сторінки та збереже їх у форматі temp-0.png, temp-1.png .... Це лише "витяг", якщо у вас є PDF-файл із лише зображеннями та без тексту.
Після деяких пошуків я знайшов наступний сценарій, який дуже добре працює з моїми PDF-файлами. Це стосується лише JPG, але він чудово працював з моїми незахищеними файлами. Також не вимагає жодних зовнішніх бібліотек.
Щоб не брати на себе повагу, сценарій походить від Неда Батчелдера, а не від мене. Код Python3: витягніть JPG-файли з PDF-файлів. Швидкий і брудний
import sys
with open(sys.argv[1],"rb") as file:
file.seek(0)
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
print("JPG %d from %d to %d" % (njpg, istart, iend))
jpg = pdf[istart:iend]
with open("jpg%d.jpg" % njpg, "wb") as jpgfile:
jpgfile.write(jpg)
njpg += 1
i = iend
Набагато простіше рішення:
Використовуйте пакет poppler-utils. Щоб встановити його, використовуйте homebrew (homebrew є специфічним для MacOS, але ви можете знайти пакет poppler-utils для вдів або Linux тут: https://poppler.freedesktop.org/ ). Перший рядок коду нижче встановлює poppler-utils за допомогою домашньої мови. Після встановлення другий рядок (запускається з командного рядка) потім витягує зображення з файлу PDF і називає їх "зображення *". Для запуску цієї програми з Python використовуйте os або модуль підпроцесу. Третій рядок - це код, що використовує модуль os, нижче - приклад із підпроцесом (python 3.5 або пізніша версія для функції run ()). Більше інформації тут: https://www.cyberciti.biz/faq/easily-extract-images-from-pdf-file/
brew install poppler
pdfimages file.pdf image
import os
os.system('pdfimages file.pdf image')
або
import subprocess
subprocess.run('pdfimages file.pdf image', shell=True)
Я зробив це для власної програми і виявив, що найкращою бібліотекою для використання була PyMuPDF. Це дозволяє вам дізнатися "xref" номери кожного зображення на кожній сторінці та використовувати їх для вилучення необроблених даних зображень з PDF.
import fitz
from PIL import Image
import io
filePath = "path/to/file.pdf"
#opens doc using PyMuPDF
doc = fitz.Document(filePath)
#loads the first page
page = doc.loadPage(0)
#[First image on page described thru a list][First attribute on image list: xref n], check PyMuPDF docs under getImageList()
xref = page.getImageList()[0][0]
#gets the image as a dict, check docs under extractImage
baseImage = doc.extractImage(xref)
#gets the raw string image data from the dictionary and wraps it in a BytesIO object before using PIL to open it
image = Image.open(io.BytesIO(baseImage['image']))
#Displays image for good measure
image.show()
Безумовно, перегляньте документи.
fitz на Win 10, я отримав помилку: ModuleNotFoundError: Немає модуля з назвою 'frontend', що було легко вирішити шляхом встановлення, pip install PyMuPDFяк обговорювалося тут: stackoverflow.com/questions/56467667/…
Ну, я боровся з цим протягом багатьох тижнів, багато з цих відповідей допомогли мені пройти, але завжди чогось не вистачало, мабуть, ніхто тут ніколи не мав проблем із зображеннями, закодованими jbig2 .
У наборі PDF-файлів, який я маю сканувати, зображення, закодовані у jbig2, дуже популярні.
Наскільки я розумію, існує безліч копіювальних / скануючих машин, які сканують папери та перетворюють їх у файли PDF, повні зображень, кодованих jbig2.
Тож після багатьох днів тестів вирішив піти на відповідь, запропоновану тут давно dkagedal.
Ось мій крок за кроком на Linux: (якщо у вас інша ОС, я пропоную використовувати докер Linux це буде набагато простіше.)
Перший крок:
apt-get install poppler-utils
Тоді я зміг запустити інструмент командного рядка, який називається pdfimages, таким чином:
pdfimages -all myfile.pdf ./images_found/
За допомогою вищезазначеної команди ви зможете витягти всі містяться зображення в myfile.pdf, і збережете їх у images_found (перед цим потрібно створити images_found)
У списку ви знайдете кілька типів зображень, png, jpg, tiff; все це легко читати за допомогою будь-якого графічного інструменту.
Тоді у вас буде кілька файлів з іменами: -145.jb2e та -145.jb2g.
Ці 2 файли містять ОДИН ЗОБРАЖЕННЯ, закодований у jbig2, збережений у 2 різних файлах - одному для заголовка та одному для даних
Я знову втратив багато днів, намагаючись дізнатись, як перетворити ці файли на щось читабельне, і нарешті я натрапив на цей інструмент під назвою jbig2dec
Отже, спочатку потрібно встановити цей чарівний інструмент:
apt-get install jbig2dec
тоді ви можете запустити:
jbig2dec -t png -145.jb2g -145.jb2e
Ви нарешті зможете перетворити всі витягнуті зображення на щось корисне.
Щасти!
Станом на лютий 2019 р. Рішення, надане @sylvain (принаймні на моїй установці), не працює без невеликої модифікації: xObject[obj]['/Filter']це не значення, а список, тому, щоб сценарій працював, мені довелося змінити формат перевірка наступним чином:
import PyPDF2, traceback
from PIL import Image
input1 = PyPDF2.PdfFileReader(open(src, "rb"))
nPages = input1.getNumPages()
print nPages
for i in range(nPages) :
print i
page0 = input1.getPage(i)
try :
xObject = page0['/Resources']['/XObject'].getObject()
except : xObject = []
for obj in xObject:
if xObject[obj]['/Subtype'] == '/Image':
size = (xObject[obj]['/Width'], xObject[obj]['/Height'])
data = xObject[obj].getData()
try :
if xObject[obj]['/ColorSpace'] == '/DeviceRGB':
mode = "RGB"
elif xObject[obj]['/ColorSpace'] == '/DeviceCMYK':
mode = "CMYK"
# will cause errors when saving
else:
mode = "P"
fn = 'p%03d-%s' % (i + 1, obj[1:])
print '\t', fn
if '/FlateDecode' in xObject[obj]['/Filter'] :
img = Image.frombytes(mode, size, data)
img.save(fn + ".png")
elif '/DCTDecode' in xObject[obj]['/Filter']:
img = open(fn + ".jpg", "wb")
img.write(data)
img.close()
elif '/JPXDecode' in xObject[obj]['/Filter'] :
img = open(fn + ".jp2", "wb")
img.write(data)
img.close()
elif '/LZWDecode' in xObject[obj]['/Filter'] :
img = open(fn + ".tif", "wb")
img.write(data)
img.close()
else :
print 'Unknown format:', xObject[obj]['/Filter']
except :
traceback.print_exc()
traceback.print_exc()з заданий рядок помилок, щоб я міг побачити, що його спричинило; або, можливо, обрати інше з рішень на цьому веб-сайті, оскільки наведене тут (на моє розуміння) орієнтоване на забезпечення витягу даних без втрат у форматі 1: 1 із PDF-файлу, і, можливо, це не те, що ви шукаєте, дякую!
Я додав усі разом у PyPDFTK сюди .
Мій власний внесок - це обробка /Indexedфайлів як таких:
for obj in xObject:
if xObject[obj]['/Subtype'] == '/Image':
size = (xObject[obj]['/Width'], xObject[obj]['/Height'])
color_space = xObject[obj]['/ColorSpace']
if isinstance(color_space, pdf.generic.ArrayObject) and color_space[0] == '/Indexed':
color_space, base, hival, lookup = [v.getObject() for v in color_space] # pg 262
mode = img_modes[color_space]
if xObject[obj]['/Filter'] == '/FlateDecode':
data = xObject[obj].getData()
img = Image.frombytes(mode, size, data)
if color_space == '/Indexed':
img.putpalette(lookup.getData())
img = img.convert('RGB')
img.save("{}{:04}.png".format(filename_prefix, i))
Зверніть увагу, що коли /Indexedфайли знайдені, ви не можете просто порівняти /ColorSpaceїх із рядком, оскільки він поставляється як ArrayObject. Отже, ми повинні перевірити масив і отримати індексовану палітру (lookup у коді) та встановити її в об’єкт PIL Image, інакше вона залишається неініціалізованою (нуль), а все зображення відображається чорним.
Моїм першим інстинктом було зберегти їх у форматі GIF (це індексований формат), але мої тести виявили, що PNG були меншими і виглядали однаково.
Я знайшов такі типи зображень під час друку у PDF за допомогою PDF-принтера Foxit Reader.
Ви могли б використовувати pdfimages команду в Ubuntu.
Встановіть poppler lib, використовуючи наведені нижче команди.
sudo apt install poppler-utils
sudo apt-get install python-poppler
pdfimages file.pdf image
Список створених файлів: (наприклад,. У PDF є два зображення)
image-000.png
image-001.png
Це працює ! Тепер ви можете використовувати a subprocess.runдля запуску цього з python.
Після прочитання повідомлень за допомогою pyPDF2 .
Помилка під час використання коду @ sylvain NotImplementedError: unsupported filter /DCTDecodeповинна походити від методу .getData(): вона вирішується при використанні._data його вирішує @Alex Paramonov.
Наразі я зустрічав лише випадки "DCTDecode", але я ділюсь адаптованим кодом, який включає зауваження з різних публікацій: zilbАвтор: @Alex Paramonov,sub_obj['/Filter'] будучи списком, @mxl.
Сподіваюся, це може допомогти користувачам pyPDF2. Дотримуйтесь коду:
import sys
import PyPDF2, traceback
import zlib
try:
from PIL import Image
except ImportError:
import Image
pdf_path = 'path_to_your_pdf_file.pdf'
input1 = PyPDF2.PdfFileReader(open(pdf_path, "rb"))
nPages = input1.getNumPages()
for i in range(nPages) :
page0 = input1.getPage(i)
if '/XObject' in page0['/Resources']:
try:
xObject = page0['/Resources']['/XObject'].getObject()
except :
xObject = []
for obj_name in xObject:
sub_obj = xObject[obj_name]
if sub_obj['/Subtype'] == '/Image':
zlib_compressed = '/FlateDecode' in sub_obj.get('/Filter', '')
if zlib_compressed:
sub_obj._data = zlib.decompress(sub_obj._data)
size = (sub_obj['/Width'], sub_obj['/Height'])
data = sub_obj._data#sub_obj.getData()
try :
if sub_obj['/ColorSpace'] == '/DeviceRGB':
mode = "RGB"
elif sub_obj['/ColorSpace'] == '/DeviceCMYK':
mode = "CMYK"
# will cause errors when saving (might need convert to RGB first)
else:
mode = "P"
fn = 'p%03d-%s' % (i + 1, obj_name[1:])
if '/Filter' in sub_obj:
if '/FlateDecode' in sub_obj['/Filter']:
img = Image.frombytes(mode, size, data)
img.save(fn + ".png")
elif '/DCTDecode' in sub_obj['/Filter']:
img = open(fn + ".jpg", "wb")
img.write(data)
img.close()
elif '/JPXDecode' in sub_obj['/Filter']:
img = open(fn + ".jp2", "wb")
img.write(data)
img.close()
elif '/CCITTFaxDecode' in sub_obj['/Filter']:
img = open(fn + ".tiff", "wb")
img.write(data)
img.close()
elif '/LZWDecode' in sub_obj['/Filter'] :
img = open(fn + ".tif", "wb")
img.write(data)
img.close()
else :
print('Unknown format:', sub_obj['/Filter'])
else:
img = Image.frombytes(mode, size, data)
img.save(fn + ".png")
except:
traceback.print_exc()
else:
print("No image found for page %d" % (i + 1))
Спробуйте нижче код. він витягне все зображення з PDF.
import sys
import PyPDF2
from PIL import Image
pdf=sys.argv[1]
print(pdf)
input1 = PyPDF2.PdfFileReader(open(pdf, "rb"))
for x in range(0,input1.numPages):
xObject=input1.getPage(x)
xObject = xObject['/Resources']['/XObject'].getObject()
for obj in xObject:
if xObject[obj]['/Subtype'] == '/Image':
size = (xObject[obj]['/Width'], xObject[obj]['/Height'])
print(size)
data = xObject[obj]._data
#print(data)
print(xObject[obj]['/Filter'])
if xObject[obj]['/Filter'][0] == '/DCTDecode':
img_name=str(x)+".jpg"
print(img_name)
img = open(img_name, "wb")
img.write(data)
img.close()
print(str(x)+" is done")
Спочатку встановіть pdf2image
pip встановити pdf2image == 1.14.0
Дотримуйтесь наведеного нижче коду для вилучення сторінок з PDF.
file_path="file path of PDF"
info = pdfinfo_from_path(file_path, userpw=None, poppler_path=None)
maxPages = info["Pages"]
image_counter = 0
if maxPages > 10:
for page in range(1, maxPages, 10):
pages = convert_from_path(file_path, dpi=300, first_page=page,
last_page=min(page+10-1, maxPages))
for page in pages:
page.save(image_path+'/' + str(image_counter) + '.png', 'PNG')
image_counter += 1
else:
pages = convert_from_path(file_path, 300)
for i, j in enumerate(pages):
j.save(image_path+'/' + str(i) + '.png', 'PNG')
Сподіваюся, це допоможе кодерам, які шукають легке перетворення файлів PDF у зображення відповідно до сторінок PDF.