Extraire une page d'un pdf en tant que jpeg

Question

En code python, comment enregistrer efficacement une certaine page d'un pdf en tant que fichier jpeg ? (Cas d'utilisation : J'ai un serveur web python flask où les pdf seront téléchargés et où les jpeg correspondant à chaque page seront stockés).

Cette solution est proche, mais le problème est qu'il ne convertit pas la page entière en jpeg.

Answer 1

La bibliothèque pdf2image peut être utilisée.

Vous pouvez l'installer simplement en utilisant,

pip install pdf2image

Une fois installé, vous pouvez utiliser le code suivant pour obtenir des images.

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

Enregistrement des pages au format jpeg

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

---

Editer : le repo Github pdf2image mentionne également qu'il utilise pdftoppm et qu'il nécessite d'autres installations :

pdftoppm est le logiciel qui fait la magie. Il est distribué dans le cadre d'un paquetage plus important appelé poppler . Les utilisateurs de Windows devront installer poppler pour Windows . Les utilisateurs de Mac devront installer poppler pour Mac . Les utilisateurs de Linux auront pdftoppm pré-installé avec la distribution (Testé sur Ubuntu et Archlinux) si ce n'est pas le cas, exécutez sudo apt install poppler-utils .

Vous pouvez installer la dernière version sous Windows en utilisant anaconda en faisant :

conda install -c conda-forge poppler

note : Les versions Windows jusqu'à 0.67 sont disponibles à l'adresse suivante http://blog.alivate.com.au/poppler-Windows/ mais notez que 0,68 était publié en août 2018 Vous ne bénéficierez donc pas des dernières fonctionnalités ni des corrections de bugs.

Answer 2

J'ai trouvé cette solution simple, PyMuPDF La sortie est un fichier png. Notez que la bibliothèque est importée sous le nom de "fitz", un nom historique pour le moteur de rendu qu'elle utilise.

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)

Answer 3

La bibliothèque Python pdf2image (utilisé dans l'autre réponse) en fait ne fait pas bien plus qu'un simple lancement pdttoppm avec subprocess.Popen Voici donc une version courte qui le fait directement :

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))

Voici le lien d'installation Windows pour pdftoppm (contenu dans un paquet nommé poppler) : http://blog.alivate.com.au/poppler-Windows/

Answer 4

Il n'est pas nécessaire d'installer Poppler sur votre système d'exploitation. Cela fonctionnera :

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)

Answer 5

@gaurwraith, installez poppler pour Windows et utilisez pdftoppm.exe comme suit :

1. Téléchargez le fichier zip avec les derniers binaires/dlls de Poppler à partir de http://blog.alivate.com.au/poppler-Windows/ et dézippez-la dans un nouveau dossier de votre dossier de fichiers de programmes. Par exemple : " C:\Program Fichiers (x86) \Poppler ".

2. Ajouter " C:\Program Fichiers (x86) \Poppler\poppler -0.68.0 \bin "dans votre variable d'environnement SYSTEM PATH.

3. Depuis la ligne cmd installer le module pdf2image -> "pip install pdf2image".

4. Ou encore, exécutez directement pdftoppm.exe à partir de votre code en utilisant le module subprocess de Python comme l'explique l'utilisateur Basj.

@vishvAs vAsuki, ce code devrait générer les jpgs que vous souhaitez via le module subprocess pour toutes les pages d'un ou plusieurs pdfs dans un dossier donné :

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))

Ou en utilisant le module 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")