使用 python PyPDF2 从 PDF 中提取图像

Question

有没有办法从 pdf 文档中提取图像作为流（使用PyPDF2 库）？ 是否可以将一些图像替换为另一个（例如使用 PIL 生成或从文件加载）？

我能够从 pdf 对象树中获取 EncodedStreamObject 并获取编码流（通过调用 getData() 方法），但看起来它只是没有任何图像标题和其他元信息的原始内容。

>>> import PyPDF2
>>> # sample.pdf contains png images
>>> reader = PyPDF2.PdfFileReader(open('sample.pdf', 'rb'))
>>> reader.resolvedObjects[0][9]
{'/BitsPerComponent': 8,
'/ColorSpace': ['/ICCBased', IndirectObject(20, 0)],
'/Filter': '/FlateDecode',
'/Height': 30,
'/Subtype': '/Image',
'/Type': '/XObject',
'/Width': 100}
>>>
>>> reader.resolvedObjects[0][9].__class__
PyPDF2.generic.EncodedStreamObject
>>>
>>> s = reader.resolvedObjects[0][9].getData()
>>> len(s), s[:10]
(9000, '\xcc\xcc\xcc\xcc\xcc\xcc\xcc\xcc\xcc\xcc')

我已经看过很多 PyPDF2、ReportLab 和 PDFMiner 解决方案，但没有找到像我正在寻找的东西。

任何代码示例和链接都会很有帮助。

Answer 1

import fitz
doc = fitz.open(filePath)
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

Answer 2

图像元数据不存储在 PDF 的编码图像中。如果完全存储元数据，它会存储在 PDF 本身中，但会从底层图像中剥离。您在示例中看到的元数据可能是您能够获得的全部。 PDF 编码器可能会将图像元数据存储在 PDF 的其他位置，但我还没有看到这一点。 （注意这个元数据问题was also asked for Java。）

绝对可以提取流，但是，正如您所提到的，您使用getData 操作。

至于替换它，您需要使用 PDF 创建一个新的图像对象，将其添加到末尾，并相应地更新间接对象指针。 PyPdf2 很难做到这一点。

Answer 3

从 PDF 中提取图像

1. 此代码有助于获取扫描或机器生成的任何图像 pdf或普通pdf
2. 确定其出现示例每页有多少张图片
3. 获取具有相同分辨率和扩展名的图像

pip install PyMuPDF
import fitz
import io
from PIL import Image
#file path you want to extract images from
file = r"File_path"
#open the file
pdf_file = fitz.open(file)   
#iterate over PDF pages
    for page_index in range(pdf_file.page_count):
        #get the page itself
        page = pdf_file[page_index]
        image_li = page.get_images()
        #printing number of images found in this page
        #page index starts from 0 hence adding 1 to its content
        if image_li:
            print(f"[+] Found a total of {len(image_li)} images in page {page_index+1}")
        else:
            print(f"[!] No images found on page {page_index+1}")
        for image_index, img in enumerate(page.get_images(), start=1):
            #get the XREF of the image
            xref = img[0]
            #extract the image bytes
            base_image = pdf_file.extract_image(xref)
            image_bytes = base_image["image"]
            #get the image extension
            image_ext = base_image["ext"]
            #load it to PIL
            image = Image.open(io.BytesIO(image_bytes))
            #save it to local disk
            image.save(open(f"image{page_index+1}_{image_index}.{image_ext}", "wb"))
     
         

`