通过python提取PDF文件指定页的图片

Micheal_Dad2024-09-14 10:54

整体思路

要从 PDF 文件中提取指定页和指定位置的图片，可以分几个步骤来实现：

1.1 准备所需工具与库

在 Python 中处理 PDF 和图像时，需要使用几个库：

PyMuPDF (fitz)：用于读取和处理 PDF 文件，可以精确获取指定页面内容。
Pillow：处理图像，用于裁剪和保存图片。
pdf2image：将 PDF 页面转换为图像格式，方便进一步处理。

1.2 基本流程

读取 PDF 文件 ：使用 PyMuPDF 读取 PDF 文件，找到指定页。
获取页面图像 ：使用 pdf2image 将目标页转换为图像。
确定图片区域：使用坐标来指定图像中的区域。该区域可以通过手动确定，或者通过图像识别技术（如 OCR）来定位。
提取并保存图片 ：使用 Pillow 裁剪出指定区域，并保存图像。

1.3 处理步骤

Step 1 ：使用 PyMuPDF 打开 PDF，找到目标页。
Step 2：将该页转换为图像。
Step 3：根据坐标裁剪指定位置的图像。
Step 4：保存裁剪后的图像。

代码示例：

python 复制代码

import fitz  # PyMuPDF
from pdf2image import convert_from_path
from PIL import Image

# Step 1: 打开 PDF 文件并定位指定页面
def extract_image_from_pdf(pdf_path, page_number, crop_box, output_image_path):
    # Step 2: 将目标页转换为图像
    pages = convert_from_path(pdf_path, dpi=300)
    target_page = pages[page_number - 1]  # Python的索引从0开始

    # Step 3: 使用 Pillow 裁剪图像
    left, top, right, bottom = crop_box  # 指定区域的坐标
    cropped_image = target_page.crop((left, top, right, bottom))

    # Step 4: 保存裁剪后的图像
    cropped_image.save(output_image_path)
    print(f"图像已保存到: {output_image_path}")

# 示例使用
pdf_path = "/Users/linql/Desktop/3.5_python/0001_26110523.pdf"  # PDF 文件路径
page_number = 4  # 要提取的页码
crop_box = (10, 700,2800, 3100)  # 图像的裁剪区域 (left, top, right, bottom)
output_image_path = "output_image.png"  # 输出图像的路径

extract_image_from_pdf(pdf_path, page_number, crop_box, output_image_path)

运行后，会提示：

bash 复制代码

pdf2image.exceptions.PDFInfoNotInstalledError: Unable to get page count. Is poppler installed and in PATH?

是因为：# macOS 需要安装 poppler 用于 pdf2image

bash 复制代码

brew install poppler