使用PyMuPdf提取、删除及替换PDF中的图片文件

朱雀 2020-10-25 07:18 1637阅读 0赞

有时候想把PDF中的图片文件提取出来，身为程序员的我当然是自己写段代码来实现，先看看了网上的方法，都是逐行遍历，正则匹配来提取什么的，其实没有那么复杂，PyMuPdf官方文档里自带就有提取图片文件的方法，非常简单，下来用代码来记录下：

**1.提取图片**

#coding:utf-8
    import fitz,os
    doc = fitz.open('E:\\files\\25109878.pdf')
    imgcount=0
    for page in doc:
        imageList = page.getImageList()
        print(imageList)
        for imginfo in imageList:
            pix = fitz.Pixmap(doc, imginfo[0])
            pix.writePNG(os.path.join("test\\t_{}.png".format(imgcount)))
            imgcount+=1

短短几行代码聊表心意，通过page.getImageList()提取到图片列表信息，然后在使用fitz.Pixmap提取对应的图片内容，就是这么简单，我们来提取下一张发票里的图片：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p5bG9uZ2Vy_size_16_color_FFFFFF_t_70 1][]

电子发票里基本都是文字形式的，只有二维码和下方印章的图片，执行上面的代码看看:

![20200612140728656.png][]

**2.删除PDF中的图片部分**

在官方文档里我没看到，但是在它的库文件有这个方法:

![20200612141104587.png][]

这个xref对应的应该是图片所在位置的行数

#coding:utf-8
    import fitz,os
    doc = fitz.open('E:\\files\\25109878.pdf')
    imgcount=0
    for page in doc:
        imageList = page.getImageList()
        print(imageList)
        for imginfo in imageList:
            #删除图片
            doc._deleteObject(imginfo[0])
    #重新保存PDF
    doc.save('111.pdf')

我们来执行看下：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p5bG9uZ2Vy_size_16_color_FFFFFF_t_70 2][]

很明显图片部分已经删除掉了！

**3、替换图片**

关于这块由于时间原因没有过多的去研究，这里面有个问题就是，怎么让自己的图片按照PDF中显示的位置及大小进行替换，稍微看下了官方文档，里面只有个insertImage这个方法是插入图片，但是其中有个rect的参数（top,left，wight,height）,这几个参数我没太搞明白怎么获取到原始图片的位置及大小，因为有可能图片是缩放过的，于是看了下insertImage的源代码，发现有个\_imgname的属性。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p5bG9uZ2Vy_size_16_color_FFFFFF_t_70 3][]

原本的方法是在原来的图片后面追加一张图片：

![20200612143407642.png][]

但是这里就有我提出来的问题怎么获取到原始图片的位置及宽高，目前我还没有找到这个方法，但发现了一个勉为其难的方法，我将红色部分注释掉，然后这样写：

#coding:utf-8
    import fitz,os
    doc = fitz.open('E:\\files\\25109878.pdf')
    imgcount=0
    for page in doc:
        imageList = page.getImageList()
        for imginfo in imageList:
            rect = fitz.Rect(0, 0, 80, 80)
            page.insertImage(rect, filename="test.png", _imgname=imginfo[7])
    doc.save('111.pdf')

![20200612224916766.png][]

这里的insertImage加入图片的方式有3种，这里我们直接通过文件名加载，imginfo\[7\]就是原始图片的name，我直接插入到原始图片的位置，我们来执行看看：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p5bG9uZ2Vy_size_16_color_FFFFFF_t_70 4][]

这样貌似是实现了图片的替换，但上面多了一块fitz.Rect(0, 0, 80, 80)这个区域，查了下文档貌似没找到好的办法处理，那我就将它设置为fitz.Rect(0, 0, 0.1, 0.1)，我们来看看：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p5bG9uZ2Vy_size_16_color_FFFFFF_t_70 5][]

这样就勉强实现了替换的效果，其实主要关键就是怎么获取到原始图片的坐标及宽高，如果能解决这个问题，那就不需要这么麻烦的操作，由于时间原因，我也没有过多的去深入研究了，如果有知道的小伙伴记得@我^\_^

以上就是利用PyMuPdf提取、删除及替换PDF中的图片文件

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p5bG9uZ2Vy_size_16_color_FFFFFF_t_70 1]: /images/1603610301098.png
[20200612140728656.png]: /images/1603610282825.png
[20200612141104587.png]: /images/1603610262849.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p5bG9uZ2Vy_size_16_color_FFFFFF_t_70 2]: /images/1603610237996.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p5bG9uZ2Vy_size_16_color_FFFFFF_t_70 3]: /images/1603610223438.png
[20200612143407642.png]: /images/1603610205197.png
[20200612224916766.png]: /images/1603610165893.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p5bG9uZ2Vy_size_16_color_FFFFFF_t_70 4]: /images/1603609998881.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p5bG9uZ2Vy_size_16_color_FFFFFF_t_70 5]: /images/1603609963646.png