Wyodrębnij stronę z pliku PDF jako jpeg

W kodzie Pythona, jak efektywnie zapisać określoną stronę w pliku PDF jako plik jpeg? (Przykład zastosowania: mam serwer sieciowy python flask, na którym zostaną przesłane pliki PDF, a pliki jpeg odpowiadające każdej stronie są przechowywane).

To rozwiązanie jest bliskie, ale problem polega na tym, że nie konwertuje ono całej strony do formatu jpeg.

Można użyć biblioteki pdf2image.

Możesz go zainstalować po prostu za pomocą,

pip install pdf2image

Po zainstalowaniu możesz użyć następującego kodu, aby pobrać obrazy.

from pdf2image import convert_from_path
pages = convert_from_path('pdf_file', 500)

Zapisywanie stron w formacie jpeg

for page in pages:
    page.save('out.jpg', 'JPEG')

Edycja: repozytorium Github pdf2image wspomina również, że używa pdftoppmi wymaga innych instalacji:

pdftoppm to oprogramowanie, które robi prawdziwą magię. Jest dystrybuowany jako część większego pakietu zwanego poppler . Użytkownicy systemu Windows będą musieli zainstalować poppler dla systemu Windows . Użytkownicy komputerów Mac będą musieli zainstalować poppler dla komputerów Mac . Użytkownicy Linuksa będą mieli preinstalowany program pdftoppm z dystrybucją (testowany na Ubuntu i Archlinux), jeśli tak nie jest, uruchom sudo apt install poppler-utils.

Możesz zainstalować najnowszą wersję w systemie Windows za pomocą programu anaconda, wykonując:

conda install -c conda-forge poppler

Uwaga: wersje Windows do 0.67 są dostępne na http://blog.alivate.com.au/poppler-windows/, ale pamiętaj, że 0.68 został wydany w sierpniu 2018, więc nie będziesz otrzymywać najnowszych funkcji ani poprawek błędów.

Znalazłem to proste rozwiązanie, PyMuPDF , wyjście do pliku png. Zauważ, że biblioteka jest importowana jako „fitz”, historyczna nazwa używanego przez nią silnika renderującego.

import fitz

pdffile = "infile.pdf"
doc = fitz.open(pdffile)
page = doc.loadPage(0)  # number of page
pix = page.getPixmap()
output = "outfile.png"
pix.writePNG(output)

Biblioteka Pythona pdf2image(stosowany w innych odpowiedzi) w rzeczywistości nie robi znacznie więcej niż tylko rozpoczyna pdttoppm się subprocess.Popen, więc tutaj jest krótka wersja robi to bezpośrednio:

PDFTOPPMPATH = r"D:\Documents\software\____PORTABLE\poppler-0.51\bin\pdftoppm.exe"
PDFFILE = "SKM_28718052212190.pdf"

import subprocess
subprocess.Popen('"%s" -png "%s" out' % (PDFTOPPMPATH, PDFFILE))

Oto łącze instalacyjne systemu Windows dla pdftoppm(zawarte w pakiecie o nazwie poppler): http://blog.alivate.com.au/poppler-windows/

Nie ma potrzeby instalowania Popplera w twoim systemie operacyjnym. To zadziała:

pip install Wand

from wand.image import Image

f = "somefile.pdf"
with(Image(filename=f, resolution=120)) as source: 
    for i, image in enumerate(source.sequence):
        newfilename = f[:-4] + str(i + 1) + '.jpeg'
        Image(image).save(filename=newfilename)

@gaurwraith, zainstaluj poppler dla Windows i użyj pdftoppm.exe w następujący sposób:

1. Pobierz plik zip z najnowszymi plikami binarnymi / dllami Popplera ze strony http://blog.alivate.com.au/poppler-windows/ i rozpakuj do nowego folderu w folderze plików programu. Na przykład: „C: \ Program Files (x86) \ Poppler”.

2. Dodaj „C: \ Program Files (x86) \ Poppler \ poppler-0.68.0 \ bin” do zmiennej środowiskowej SYSTEM PATH.

3. Z linii cmd zainstaluj moduł pdf2image -> "pip install pdf2image".

4. Lub alternatywnie, wykonaj bezpośrednio pdftoppm.exe z kodu za pomocą modułu podprocesu Pythona, jak wyjaśniono przez użytkownika Basj.

@vishvAs vAsuki, ten kod powinien generować pliki jpg, które chcesz za pośrednictwem modułu podprocesu dla wszystkich stron jednego lub więcej plików PDF w danym folderze:

import os, subprocess

pdf_dir = r"C:\yourPDFfolder"
os.chdir(pdf_dir)

pdftoppm_path = r"C:\Program Files (x86)\Poppler\poppler-0.68.0\bin\pdftoppm.exe"

for pdf_file in os.listdir(pdf_dir):

    if pdf_file.endswith(".pdf"):

        subprocess.Popen('"%s" -jpeg %s out' % (pdftoppm_path, pdf_file))

Lub korzystając z modułu pdf2image:

import os
from pdf2image import convert_from_path

pdf_dir = r"C:\yourPDFfolder"
os.chdir(pdf_dir)

    for pdf_file in os.listdir(pdf_dir):

        if pdf_file.endswith(".pdf"):

            pages = convert_from_path(pdf_file, 300)
            pdf_file = pdf_file[:-4]

            for page in pages:

               page.save("%s-page%d.jpg" % (pdf_file,pages.index(page)), "JPEG")

Jest to narzędzie o nazwie pdftojpg, które można wykorzystać do konwersji pliku PDF na img

Możesz znaleźć kod tutaj https://github.com/pankajr141/pdf2jpg

from pdf2jpg import pdf2jpg
inputpath = r"D:\inputdir\pdf1.pdf"
outputpath = r"D:\outputdir"
# To convert single page
result = pdf2jpg.convert_pdf2jpg(inputpath, outputpath, pages="1")
print(result)

# To convert multiple pages
result = pdf2jpg.convert_pdf2jpg(inputpath, outputpath, pages="1,0,3")
print(result)

# to convert all pages
result = pdf2jpg.convert_pdf2jpg(inputpath, outputpath, pages="ALL")
print(result)

GhostScript działa znacznie szybciej niż Poppler w systemie opartym na systemie Linux.

Poniżej znajduje się kod konwersji PDF do obrazu.

def get_image_page(pdf_file, out_file, page_num):
    page = str(page_num + 1)
    command = ["gs", "-q", "-dNOPAUSE", "-dBATCH", "-sDEVICE=png16m", "-r" + str(RESOLUTION), "-dPDFFitPage",
               "-sOutputFile=" + out_file, "-dFirstPage=" + page, "-dLastPage=" + page,
               pdf_file]
    f_null = open(os.devnull, 'w')
    subprocess.call(command, stdout=f_null, stderr=subprocess.STDOUT)

GhostScript można zainstalować na macOS przy użyciu brew install ghostscript

Informacje dotyczące instalacji dla innych platform można znaleźć tutaj . Jeśli nie jest jeszcze zainstalowany w twoim systemie.

Używam (być może) znacznie prostszej opcji pdf2image:

cd $dir
for f in *.pdf
do
  if [ -f "${f}" ]; then
    n=$(echo "$f" | cut -f1 -d'.')
    pdftoppm -scale-to 1440 -png $f $conv/$n
    rm $f
    mv  $conv/*.png $dir
  fi
done

Jest to niewielka część skryptu basha w pętli do korzystania z wąskiego urządzenia rzutującego. Sprawdza co 5 sekund dodane pliki pdf (wszystkie) i przetwarza je. To jest dla urządzenia demonstracyjnego, na końcu konwersja zostanie wykonana na zdalnym serwerze. Konwersja do .PNG teraz, ale .JPG też jest możliwa.

Ta konwersja, wraz z przejściami na format A4, wyświetlaniem wideo, dwoma płynnie przewijanymi tekstami i logo (z przejściem w trzech wersjach) ustawia Pi3 na prawie 4x 100% obciążenia procesora ;-)

from pdf2image import convert_from_path
import glob

pdf_dir = glob.glob(r'G:\personal\pdf\*')  #your pdf folder path
img_dir = "G:\\personal\\img\\"           #your dest img path

for pdf_ in pdf_dir:
    pages = convert_from_path(pdf_, 500)
    for page in pages:
        page.save(img_dir+pdf_.split("\\")[-1][:-3]+"jpg", 'JPEG')

Oto rozwiązanie, które nie wymaga dodatkowych bibliotek i jest bardzo szybkie. Zostało to znalezione z: https://nedbatchelder.com/blog/200712/extracting_jpgs_from_pdfs.html# Dodałem kod w funkcji, aby była wygodniejsza.

def convert(filepath):
    with open(filepath, "rb") as file:
        pdf = file.read()

    startmark = b"\xff\xd8"
    startfix = 0
    endmark = b"\xff\xd9"
    endfix = 2
    i = 0

    njpg = 0
    while True:
        istream = pdf.find(b"stream", i)
        if istream < 0:
            break
        istart = pdf.find(startmark, istream, istream + 20)
        if istart < 0:
            i = istream + 20
            continue
        iend = pdf.find(b"endstream", istart)
        if iend < 0:
            raise Exception("Didn't find end of stream!")
        iend = pdf.find(endmark, iend - 20)
        if iend < 0:
            raise Exception("Didn't find end of JPG!")

        istart += startfix
        iend += endfix
        jpg = pdf[istart:iend]
        newfile = "{}jpg".format(filepath[:-3])
        with open(newfile, "wb") as jpgfile:
            jpgfile.write(jpg)

        njpg += 1
        i = iend

        return newfile

Wywołaj funkcję convert ze ścieżką pdf jako argumentem, a funkcja utworzy plik .jpg w tym samym katalogu