江湖小白之进阶篇（四）使用PyMuPdf库来实现PDF图片的提取

朱雀 2020-10-23 15:42 1486阅读 0赞

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p5bG9uZ2Vy_size_16_color_FFFFFF_t_70][]

人上了年纪就容易回忆过去，淡淡的忧愁……这里不禁吐槽，谁说的摆地摊没城管管的，你出来，我保证不打死你！玩了一晚上搬家游戏，哎，还是老老实实回来敲代码吧。

本来这篇我们要接着将Sanic框架的websocket服务的，但是为了防止枯燥无味，我们先来实现一下对PDF文件的提取，一般PDF里基本都是图片形式的，我们就选择PyMuPdf库来实现，首先来安装一下要使用的库PyMuPdf和opencv：

#安装PyMuPdf
    pip install PyMuPdf
    
    #安装opencv图像处理库
    pip install opencv-python

这里为什么使用opencv呢，这里有我自己的原因，我以后想把提取出来的图片进入文字识别，opencv能方便的把图片处理成识别需要的数据格式，你也可以用PIL来处理图片。

来，接着继续，小二上代码：

#coding:utf-8
    import fitz,cv2,uuid
    import numpy as np
    
    class Pdf():
        def __int__(self):
            pass
    
        def pdf2pic(self,filename):
            try:
                #加载读取pdf文件
                doc = fitz.open(filename)
                #循环提取pdf页面
                for i in range(doc.pageCount):
                    # 获取当前页内容
                    page = doc[pageCount]
                    # 缩放及旋转
                    zoom = 3
                    rotate = 0
                    trans = fitz.Matrix(zoom, zoom).preRotate(rotate)
                    pm = page.getPixmap(matrix=trans, alpha=False)
                    # 这里获取到数据流，看了下源码，下面可以直接用getPNGdata()
                    getpngdata = pm.getImageData(output="png")
                    # 解码为 np.uint8
                    image_array = np.frombuffer(getpngdata, dtype=np.uint8)
                    img_cv = cv2.imdecode(image_array, cv2.IMREAD_ANYCOLOR)
                    # 保存为图片测试看看
                    filename='{}_{}.png'.format(pageCount,uuid.uuid4())
                    cv2.imwrite('app\\files\\{}'.format(filename), img_cv)
            except Exception as e:
                print(e)
            return filename
    
    if __name__=='__main__':
        path='app\\files\\test.pdf'
        p=Pdf()
        p.pdf2pic(path)

这里我创建了一个类文件来实现提取的方法，看上面的代码其实很简单，这里我不太多的讲了，但有几个地方我要重点说下，在实际开发中肯定会用到：

1.其中的getImageData方法，这是获取数据流的格式，有什么用？比如你针对PDF文件提取后做图像识别，在过程中不想将图片保存后再去识别，那这里就是关键了，我们在结合cv2直接将提取的数据流转换成识别需要的数据格式，提高执行的效率及资源的占用.

2.fitz.open(filename)这里是打开pdf本地文件，实现在线pdf文件的处理，我们一般的处理过程是上传文件，将文件保存后在调用这个文件执行，但是这种方式太low了，对我们这些立志成为大牛的级别的人来说是不屑的，那怎么直接转换数据呢，我们可以跟踪一下这个open的方法：

![20200606144208476.png][]

继续跟进：

![20200606144441458.png][]

看到没有，处理了加载文件路径，还可以直接使用文件流，那这就方便了，不需要我们将文件保存下来在执行了，使用方法就是：

#比如我从浏览器上传了pdf文件，我们用request接收了文件
    file = request.files.get('file')
    
    #直接传递文件流数据
    doc = fitz.open('type',file.body)

这样就不要将图片保存下来后再去处理，节约了时间和资源，我们运行看看：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p5bG9uZ2Vy_size_16_color_FFFFFF_t_70 1][]

嗯，我感觉行～～！

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p5bG9uZ2Vy_size_16_color_FFFFFF_t_70 2][]

好了，这篇的内容就到这里结束了，嗯，感觉好困，去睡个觉！

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p5bG9uZ2Vy_size_16_color_FFFFFF_t_70]: /images/1603467736973.png
[20200606144208476.png]: /images/1603467722375.png
[20200606144441458.png]: /images/1603467709270.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p5bG9uZ2Vy_size_16_color_FFFFFF_t_70 1]: /images/1603467694671.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p5bG9uZ2Vy_size_16_color_FFFFFF_t_70 2]: /images/1603467681304.png