使用Python从PDF中提取图片和图片信息(坐标、宽度和高度等)_Python

引言

pdf文件作为一种广泛使用的电子文档格式，不仅包含文字信息，还可能包含各种图片、图表等视觉元素。在某些场景下，我们可能需要从pdf文件中提取这些图片，用于其他用途，比如插入到演示文稿中，或者进行进一步的编辑和处理。手动从pdf中提取图片是一项耗时的工作，尤其是当需要处理大量pdf文档时。而使用python自动化这一过程，可以大幅节省时间和精力。这篇博客将探讨如何使用python从pdf中提取图片以及图片的相关信息如坐标、宽度和高度等。

使用工具

本文使用的是spire.pdf for python库来实现从pdf中提取图片和图片信息。

你可以通过在终端运行以下命令来从pypi安装spire.pdf for python：

pip install spire.pdf

python从pdf的特定页面中提取图片

要从pdf的特定页面中提取图片，首先需要使用pdfdocument.pages[page_index]属性访问目标页面。之后，使用pdfimagehelper.getimagesinfo(page) 方法获取该页面上的图片信息。最后使用pdfimageinfo.image.save() 方法将每个图片保存为独立的图片文件。具体步骤如下：

创建 pdfdocument 类的实例并使用 pdfdocument.loadfromfile() 方法加载 pdf 文档。
使用pdfdocument.pages[page_index]属性访问目标页面，这里的page_index表示页面的索引，从0开始计数。
创建 pdfimagehelper 实例。
使用 pdfimagehelper.getimagesinfo(page) 方法获取目标页面中的图片信息。
循环遍历获取结果，使用 pdfimageinfo.image.save() 方法将每张图片保存为独立的图片文件。

from spire.pdf.common import *
from spire.pdf import *
import os
 
def extract_images_from_pdf_page(pdf_path, page_index, output_dir):
    """
    从 pdf 文件的指定页面中提取图片,并将其保存到指定的输出目录中。
    
    参数:
        pdf_path (str): pdf 文件的路径。
        page_index (int): 要提取图片的页面的索引值。
        output_dir (str): 输出图片文件的目录。
    """
    # 创建 pdfdocument 实例并加载 pdf 文件
    doc = pdfdocument()
    doc.loadfromfile(pdf_path)
 
    # 获取需要提取图片的目标页面
    page = doc.pages[page_index]
 
    # 创建 pdfimagehelper 实例
    image_helper = pdfimagehelper()
 
    # 获取目标页面的图片信息
    image_infos = image_helper.getimagesinfo(page)
 
    image_count = 1
    # 提取并保存图片
    for image_index in range(len(image_infos)):
        # 指定输出文件名
        output_file = os.path.join(output_dir, f"image-{image_count}.png")
        # 将图片保存为图片文件
        image_infos[image_index].image.save(output_file)
        image_count += 1
 
    doc.close()
 
# 使用示例
extract_images_from_pdf_page("示例.pdf", 1, "c:/users/administrator/desktop/图片")

python从pdf文档中提取图片

要从整个pdf文档中提取图片，只需要循环遍历文档中的页面，然后重复上面的步骤，从每个页面上提取图片信息，最后将图片保存为独立的图片文件即可。具体步骤如下：

创建 pdfdocument 实例并使用 pdfdocument.loadfromfile() 方法加载 pdf 文档。
创建 pdfimagehelper 实例。
循环遍历文档中的页面。
使用 pdfimagehelper.getimagesinfo(page) 方法获取每个页面中的图片信息。
遍历获取结果，使用 pdfimageinfo.image.save() 方法将每张图片保存为图片文件。

from spire.pdf.common import *
from spire.pdf import *
 
def extract_images_from_pdf(pdf_path, output_dir):
    """
    从 pdf 文件中提取所有图片，并将其保存到指定的输出目录中。
    
    参数:
        pdf_path (str): 输入 pdf 文件的路径。
        output_dir (str): 输出图片文件的目录。
    """
    # 创建 pdfdocument 实例并加载 pdf 文件
    doc = pdfdocument()
    doc.loadfromfile(pdf_path)
 
    # 创建 pdfimagehelper 实例
    image_helper = pdfimagehelper()
 
    image_count = 1
    # 循环遍历每个页面
    for page_index in range(doc.pages.count):
        page = doc.pages[page_index]
        # 获取页面的图片信息
        image_infos = image_helper.getimagesinfo(page)
 
        # 提取并保存图片
        for image_index in range(len(image_infos)):
            # 指定输出文件名
            output_file = os.path.join(output_dir, f"image-{image_count}.png")
            # 将图片保存为图片文件
            image_infos[image_index].image.save(output_file)
            image_count += 1
 
    doc.close()
 
# 使用示例
extract_images_from_pdf("示例.pdf", "c:/users/administrator/desktop/图片")

python从pdf中提取图片的坐标、宽度和高度等信息

要提取 pdf 文件中图片的信息，例如位置(x和y坐标)、宽度和高度，可以使用 pdfimageinfo.bounds.x、pdfimageinfo.bounds.y、pdfimageinfo.bounds.width 和 pdfimageinfo.bounds.height 属性。具体步骤如下：

创建 pdfdocument 实例并使用 pdfdocument.loadfromfile() 方法加载 pdf 文档。
创建 pdfimagehelper 实例。
循环遍历文档中的页面。
使用 pdfimagehelper.getimagesinfo(page) 方法获取每个页面中的图片信息。
遍历获取结果，使用 pdfimageinfo.bounds.x、pdfimageinfo.bounds.y、pdfimageinfo.bounds.width 和 pdfimageinfo.bounds.height 属性获取图片的坐标、宽度和高度。

from spire.pdf.common import *
from spire.pdf import *
 
def print_pdf_image_info(pdf_path):
    """
    打印 pdf 文件中图片的坐标、宽度和高度。
    
    参数:
        pdf_path (str): 输入 pdf 文件的路径。
    """
    # 创建 pdfdocument 实例并加载 pdf 文件
    doc = pdfdocument()
    doc.loadfromfile(pdf_path)
 
    # 创建 pdfimagehelper 实例
    image_helper = pdfimagehelper()
 
    # 循环遍历每个页面
    for page_index in range(doc.pages.count):
        page = doc.pages[page_index]
        # 获取页面的图片信息
        image_infos = image_helper.getimagesinfo(page)
 
        # 打印图片的坐标位置、宽度和高度
        for image_index, image_info in enumerate(image_infos):
            print(f"第 {page_index + 1} 页, 第 {image_index + 1} 个图片:")
            print(f"  图片位置: ({image_info.bounds.x}, {image_info.bounds.y})")
            print(f"  图片大小: {image_info.bounds.width} x {image_info.bounds.height}")
 
    doc.close()
 
# 使用示例
print_pdf_image_info("示例.pdf")