迭代文件 (PDF) 以运行函数

Question

我正在尝试从目录 (path) 中读取 PDF 文件，以从每个 PDF 中提取单个图像并写入同一目录。但是，我无法对每个文件执行以下功能，因为我的脚本只解析目录中的最后一个文件。我正在使用的代码如下所示：

pip install pymupdf

import os
import PyPDF2
import fitz  # from pymupdf
import glob


path = "C:\\Users\\mdl518\\Desktop\\"

def pdf_extract():
    for filename in glob.glob(os.path.join(path, "*.pdf"), recursive=True):  # file path specifying the location of the PDF files
        with open(os.path.join(os.getcwd(), filename),'rb') as f: # open/read the PDF files
            pdf_document=fitz.open(filename)
            for current_page in range(len(pdf_document)): # iterate over the total number of pages in each PDF
                for image in pdf_document.getPageImageList(current_page):
                    xref=image[0]  # initiates the cross-reference number for objects on the first page of the PDF
                    pix=fitz.Pixmap(pdf_document, xref)
                    if pix.n < 5:  # capture all images and write to the file path
                        pix.writeImage(os.path.join(path,"page%s-%s.jpg") % (current_page, xref))
                    else:
                        pix1 = fitz.Pixmap(fitz.csRGB, pix)
                        pix1.writeImage(os.path.join(path,"page%s-%s.jpg") % (current_page, xref))
                        pix1 = None
                    pix = None

pdf_extract()

我曾尝试使用glob、os.listdir() 和os.walk() 来解析单个 PDF，但我得到的最好的方法是从最后一个 PDF 文件中提取图像以读取/写入文件路径.有没有更简单的方法来解决这个问题，或者它只是对我的“glob”声明的一个小调整？非常感谢任何帮助！

Answer 1

有两个问题

1. with open(os.path.join(os.getcwd(), filename),'rb') as f: # open/read the PDF files 不需要，f 从未使用过
2. 主要问题是您正在覆盖每个文件的图像
   • pix.writeImage(os.path.join(path,"page%s-%s.jpg") % (current_page, xref))
   • pix1.writeImage(os.path.join(path,"page%s-%s.jpg") % (current_page, xref))
   • current_page & xref 不一定对每个文件都是唯一的

更新

1. 代码使用标准库的一部分pathlib 进行了更新，因为它将路径视为带有方法的对象，而glob 和os 将路径视为字符串。另见Python 3's pathlib Module: Taming the File System
   • Path.stem
   • Path.parent
   • Path.rglob
2. 将_{file.stem}添加到保存路径，以创建唯一的文件名
3. 使用f-strings 进行字符串格式化。另见PEP 498 - Literal String Interpolation

from pathlib import Path
import PyPDF2
import fitz

def pdf_extract(path_to_files: str):
    
    path_to_files = Path(path_to_files)  # convert the str to a pathlib object
    
    for file in path_to_files.rglob('*.pdf'):  # pathlib has rglob
        pdf = fitz.open(file)
        for current_page in range(len(pdf)):
            for image in pdf.getPageImageList(current_page):
                xref = image[0] 
                pix = fitz.Pixmap(pdf, xref)
                if pix.n < 5:
                    pix.writeImage(str(file.parent / f'page{current_page}-{xref}_{file.stem}.jpg'))  # updated filename
                else:
                    pix1 = fitz.Pixmap(fitz.csRGB, pix)
                    pix1.writeImage(str(file.parent / f'page{current_page}-{xref}_{file.stem}.jpg'))  # updated filename


# path to files
path_to_files = r'C:\Users\mdl518\Desktop'  # do not include the trailing backslash '\'

# call the function
pdf_extract(path_to_files)