update extract model

周伟奇
Showing 2 changed files with 33 additions and 23 deletions
README.md
pdf_to_img.py
--- a/README.md
View file @ff70b61
+++ b/README.md
View file @ff70b61
 # PDF转图片脚本
-## 主要处理逻辑
+## 2种转化方式
+- 保存整个页面为png图片
 - 提取PDF页面中的图片对象
  - 图片对象数目为0(如电子账单)，保存整个页面为png图片
  - 图片对象数目为1
      - 大图，保存图片对象
      - 小图(如电子账单盖章)，保存整个页面为png图片
  - 图片对象数目大于1
-      - 多大图，保存图片对象
+      - 多整图，保存图片对象
      - 多碎图，根据宽高突变位置分组，拼接合并后保存
  - 其他特殊情况：保存整个页面为png图片
+## 已知问题
+- 提取图片对象方式下，整图与碎图通过宽高阈值区分，无法满足所有PDF。个别PDF中，整图很小时会被当做碎图合并，碎图很大时会被当做整图不合并
 ## 用法
 - python3.6+
 - `pip install -r requirements.txt`
- - `python pdf_to_img.py pdf_path [img_path]`
-    |  参数   | 是否必须 | 说明 | 缺省值 |
-    |  ----  | ----  | ----  | ----  |
-    | pdf_path  | 是 | PDF文件或目录路径  | - |
-    | img_path  | 否 | 图片保存路径  | PDF文件路径 |
\ No newline at end of file
+ - `python pdf_to_img.py [-h] -i INPUT [-o OUTPUT] [-e]`
+    ```
+    可选参数:
+      -h, --help                  查看帮助信息并退出
+      -i INPUT, --input INPUT     PDF文件或目录路径，必要参数
+      -o OUTPUT, --output OUTPUT  输出图片保存路径，非必要参数，缺省值为PDF文件路径
+      -e, --extract               默认采用整个页面保存png图片的方式，增加该选项选择提取图片方式转化图片
+    ```
\ No newline at end of file
--- a/pdf_to_img.py
View file @ff70b61
+++ b/pdf_to_img.py
View file @ff70b61
 import os
 import sys
 import fitz
+import argparse
 from PIL import Image
 from io import BytesIO
 if sys.version_info[0] < 3:
    raise Exception("This program requires at least python3.6")
-if len(sys.argv) < 2:
-    print('用法：python pdf_to_img.py PDF文件或目录路径 [图片保存路径]')
+parser = argparse.ArgumentParser(description='PDF转图片')
-    sys.exit(0)
+parser.add_argument('-i', '--input', help='PDF文件或目录路径，必要参数', required=True)
-if not os.path.exists(sys.argv[1]):
+parser.add_argument('-o', '--output', help='输出图片保存路径，非必要参数，缺省值为PDF文件路径')
-    print('PDF文件或目录不存在: {0}'.format(sys.argv[1]))
+parser.add_argument('-e', '--extract', help='默认采用整个页面保存png图片的方式，增加该选项选择提取图片方式转化图片', action="store_true")
-    sys.exit(0)
+args = parser.parse_args()
 LOG_BASE = '[pdf to img]'
@@ -190,13 +191,13 @@ class PDFHandler:
            page = pdf.loadPage(pno)
            self.page_to_png(page)
-    def extract_image(self):
+    def extract_image(self, is_extract):
        os.makedirs(self.img_dir_path, exist_ok=True)
        with fitz.Document(self.path) as pdf:
            print('++++++++++' * 5)
            print('{0} [start] [pdf_path={1}] [metadata={2}]'.format(LOG_BASE, self.path, pdf.metadata))
            for pno in range(pdf.pageCount):
-                il = pdf.getPageImageList(pno)  # 获取页面图片对象
+                il = pdf.getPageImageList(pno) if is_extract else [] # 获取页面图片对象
                # (xref, smask, width, height, bpc, colorspace, alt.colorspace, name, filter, invoker)
                print('---------- page: {0} ----------'.format(pno))
                print('img_object_list: {0}'.format(il))
@@ -230,26 +231,29 @@ class PDFHandler:
                    self.merge_il(pdf, pno, il)
-def extract_image(pdf_path, target_path):
+def extract_image(pdf_path, target_path, is_extract):
    pdf_handler = PDFHandler(pdf_path, target_path)
-    pdf_handler.extract_image()
+    pdf_handler.extract_image(is_extract)
 def main():
-    pdf_path = os.path.realpath(sys.argv[1])
+    if not os.path.exists(args.input):
+        print('PDF文件或目录不存在: {0}'.format(args.input))
+        return
+    pdf_path = os.path.realpath(args.input)
    # 目录：遍历处理所有pdf文件
    if os.path.isdir(pdf_path):
        completed_count = 0
        failed_list = []
        for parent, dirnames, filenames in os.walk(pdf_path):
            # 图片保存目录
-            target_path = os.path.realpath(sys.argv[2]) if len(sys.argv) > 2 else parent
+            target_path = os.path.realpath(args.output) if args.output else parent
            for pdf_file in filenames:
                if not pdf_file.endswith('pdf') and not pdf_file.endswith('PDF'):
                    continue
                pdf_file_path = os.path.join(parent, pdf_file)
                try:
-                    extract_image(pdf_file_path, target_path)
+                    extract_image(pdf_file_path, target_path, args.extract)
                except Exception as e:
                    print('{0} [failed] [err={1}] [pdf_path={2}]'.format(LOG_BASE, e, pdf_file_path))
                    failed_list.append(pdf_file_path)
@@ -261,9 +265,9 @@ def main():
    # 文件：处理pdf文件
    else:
        # 图片保存目录
-        target_path = os.path.realpath(sys.argv[2]) if len(sys.argv) > 2 else os.path.dirname(pdf_path)
+        target_path = os.path.realpath(args.output) if args.output else os.path.dirname(pdf_path)
        try:
-            extract_image(pdf_path, target_path)
+            extract_image(pdf_path, target_path, args.extract)
        except Exception as e:
            print('{0} [failed] [err={1}] [pdf_path={2}]'.format(LOG_BASE, e, pdf_path))
        else: