用Python3.8提取PDF中的图片（附BUG修复讲解）

1.背景介绍

之前参考了另一个博主关于用python提取PDF图片的贴子：Python提取PDF中的图片_Jayce~的博客-CSDN博客_python提取pdf中的图片

把代码复制下来跑了一遍，但是没有成功。后来发现是Python、pymupdf模块版本更新的缘故，导致原有一些语句已经过时不再适用，所以修复了原有代码的一些BUG，写了这篇贴子供有需要的人参考。

2.代码

直接上代码，经过调试可用：

import fitz, time, re, os

def pdf2pic(path, pic_path):
    '''
    # 从pdf中提取图片
    :param path: pdf的路径
    :param pic_path: 图片保存的路径
    :return:
    '''
    t0 = time.process_time()  #原先的time.clock()已经不适用，要改成time.process_time()
    # 使用正则表达式来查找图片
    checkXO = r"/Type(?= */XObject)" 
    checkIM = r"/Subtype(?= */Image)" 

    # 打开pdf
    doc = fitz.open(path)
    # 图片计数
    imgcount = 0
    lenXREF = doc.xref_length()  #_getXrefLength()不适用，要改成xref_length()
 
    # 打印PDF的信息
    print("文件名:{}, 页数: {}, 对象: {}".format(path, len(doc), lenXREF - 1))

    # 遍历每一个对象
    for i in range(1, lenXREF):
        # 定义对象字符串
        text = doc.xref_object(i)  #getObjectString()不适用，要改成xref_object()
        isXObject = re.search(checkXO, text)
        # 使用正则表达式查看是否是图片
        isImage = re.search(checkIM, text)
        # 如果不是对象也不是图片，则continue
        if not isXObject or not isImage:
            continue
        imgcount += 1
        # 根据索引生成图像
        pix = fitz.Pixmap(doc, i)
        # 根据pdf的路径生成图片的名称
        new_name = path.replace('\', '_') + "_img{}.png".format(imgcount)
        new_name = new_name.replace(':', '')

    # 如果pix.n<5,可以直接存为PNG
        if pix.n < 5:
            pix.writePNG(os.path.join(pic_path, new_name))
        # 否则先转换CMYK
        else:
            pix0 = fitz.Pixmap(fitz.csRGB, pix)
            pix0.writePNG(os.path.join(pic_path, new_name))
            pix0 = None
        # 释放资源
        pix = None
        t1 = time.process_time()    #同上，time.clock()不适用，改成time.process_time()
        print("运行时间:{}s".format(t1 - t0))
        print("提取了{}张图片".format(imgcount))

if __name__=='__main__':
    # pdf路径
    path = r'在这里输入你的PDF路径'
    pic_path = r'提取图片后的输出路径'
    # 创建保存图片的文件夹
    if os.path.exists(pic_path):
        print("文件夹已存在，请重新创建新文件夹！")
        raise SystemExit
    else:
        os.mkdir(pic_path)
    m = pdf2pic(path, pic_path)

在PDF路径处把path和pic_path修改成文件的实际路径就可以了。 

3.注意事项

        3.1运行环境：

         windows 10 教育版 64位

         Python版本：3.8.8

         编译器：VScode + Anaconda

        3.2pymupdf更新：

        pymupdf模块官网：Installation — PyMuPDF 1.19.2 documentation

        如果有安装fitz模块，请直接卸载掉fitz模块，否则导入fitz模块会出错。在终端输入:

pip unstall fitz

        然后安装pymupdf：

python -m pip install --upgrade pip
python -m pip install --upgrade pymupdf

        如果安装没有成功，有可能是没有用管理员权限打开终端。由于我是用VScode搭载Anaconda来写Python代码，所以任何模块都需要在Anaconda prompt下安装。以此为例：

        用管理员身份打开后再运行上述代码，就可以成功安装pymupdf模块。成功安装该模块后输入import fitz就不会报错。 

        3.3BUG修复：

•  #原先的time.clock()已经不适用，要改成time.process_time()
• #_getXrefLength()不适用，要改成xref_length()
• #getObjectString()不适用，要改成xref_object()

          以上三处如果不改过来，都会报错： AttributeError，系统会说没有这个属性。