From ff70b617ffb0687c9382c35b3a0901b7fc300de4 Mon Sep 17 00:00:00 2001
From: 周伟奇 <zhouweiqi@situdata.com>
Date: Thu, 6 Aug 2020 14:27:27 +0800
Subject: [PATCH] update extract model
---
README.md | 22 ++++++++++++++--------
pdf_to_img.py | 34 +++++++++++++++++++---------------
2 files changed, 33 insertions(+), 23 deletions(-)
diff --git a/README.md b/README.md
index 4b24e2f..eaa4c5b 100644
--- a/README.md
+++ b/README.md
@@ -1,22 +1,28 @@
# 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
diff --git a/pdf_to_img.py b/pdf_to_img.py
index 4c1b37c..3715038 100644
--- a/pdf_to_img.py
+++ b/pdf_to_img.py
@@ -1,17 +1,18 @@
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]')
- sys.exit(0)
-if not os.path.exists(sys.argv[1]):
- print('PDF文件或目录不存在: {0}'.format(sys.argv[1]))
- sys.exit(0)
+
+parser = argparse.ArgumentParser(description='PDF转图片')
+parser.add_argument('-i', '--input', help='PDF文件或目录路径，必要参数', required=True)
+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')
+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")
+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:
--
libgit2 0.24.0