当前位置：首页 > article >正文

如何基于pdf2image实现pdf批量转换为图片

article 2024/11/8 4:38:09

最近为了将pdf报告解析成为文本和图片，需要将大量多页的pdf文件拆分下单独的一页一页的图像，以便后续进行OCR和图像处理，因此就需要实现将pdf2image，本文主要结合开源的pdf2image和poppler，实现了pdf转换为png格式图片的简单转换工具，供大家参考，具体步骤和应用测试示例如下。

1.安装pdf2image包

需要先安装pdf2image包，安装命令：pip3 install pdf2image

2.安装poppler用于实现pdf2image

安装poppler-windows，下载地址：https://github.com/oschwartz10612/poppler-windows/releases/tag/v23.11.0-0

3.配置环境变量

将上述压缩包解压缩之后，将路径配置到环境变量path中，如path=：D:\tools\poppler-24.08.0\Library\bin

4.修改poppler_path指向的路径

修改pdf2image包的pdf2image.py文件，将poppler路径为上述路径，具体如下。

# pdf2image.py文件修改
def convert_from_path(
	pdf_path: Union[str, PurePath],
	output_file: Any = uuid_generator(),
	poppler_path=r'D:\tools\poppler-24.08.0\Library\bin',  # 需要修改为path中配置的poppler路径。
	grayscale: bool = False
) -> List[Image.Image]:
	...

5.测试示例代码

import fitz  # PyMuPDF  
from pdf2image import convert_from_path  
import os,sys
def extract_fullpage_images(filename,pdf_path,output_folder):  
    # 打开PDF文件  
    doc = fitz.open(pdf_path)  
    # output_folder = "extracted_content_pdf"  
    os.makedirs(output_folder, exist_ok=True)  
    os.makedirs(output_folder + "/png-full/", exist_ok=True)  
  
    # 遍历每一页  
    for page_num in range(len(doc)):  
        page = doc.load_page(page_num)        
        # 使用pdf2image将整个页面转换为图像  
        images = convert_from_path(pdf_path, first_page=page_num + 1, last_page=page_num + 1) 
        for img_index, img in enumerate(images):  
            img.save(f"{output_folder}/png-full/page_{page_num + 1}_full_img_{img_index + 1}.png", 'PNG')  
        print(f"Processed page {page_num + 1}================================")  
    doc.close()
    
# 示例： python pdfSplitAdapterPMI.py D:\xxx\report.pdf
if __name__ == '__main__':  
    # 检查参数个数  
    argc = len(sys.argv)  
    if (argc <= 1):  
        print('missing Parameter' % locals())  
        sys.exit()  
    filepath = sys.argv[1]  
    pdf_path = filepath
    filename=filepath.split('\\')[-1][:-4]  
    output_folder = filepath[:filepath.rfind('\\')]+"\extracted_content2_"+filename  
    extract_fullpage_images(filename,pdf_path,output_folder)