Python: extraiga una página de un pdf como un jpeg

image

Question

En el código python, ¿cómo guardar de manera eficiente una determinada página en un pdf como un archivo jpeg? (Caso de uso: tengo un servidor web de matraz de Python donde se cargarán pdf-s y se almacenará jpeg-s correspondiente a cada página).

Esta solución está cerca, pero el problema es que no convierte toda la página a JPEG.

Answer 1

@gaurwraith, instale poppler para Windows y use pdftoppm.exe de la siguiente manera:

1. Descargue el archivo zip con los últimos archivos binarios / dlls de Poppler desde http://blog.alivate.com.au/poppler-windows/ y descomprímalo en una nueva carpeta en la carpeta de archivos de su programa. Por ejemplo: "C: / Archivos de programa (x86) / Poppler".

2. Agregue "C: / Archivos de programa (x86) / Poppler / poppler-0.68.0 / bin" a su variable de entorno SYSTEM PATH.

3. Desde la línea cmd, instale el módulo pdf2image -> "pip install pdf2image".

4. O bien, ejecute directamente pdftoppm.exe desde su código utilizando el módulo de subproceso de Python como lo explicó el usuario Basj.

@vishvAs vAsuki, este código debe generar los jpgs que desee a través del módulo de subproceso para todas las páginas de uno o más archivos PDF en una carpeta determinada:

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))

O usando el módulo 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")

Answer 2

De hecho, la biblioteca pdf2image Python (utilizada en la otra respuesta) no hace mucho más que lanzar pdttoppm con subprocess.Popen , así que aquí hay una versión corta que lo hace directamente:

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)) #have updated the values here

Aquí está el enlace de instalación de Windows para pdftoppm (contenido en un paquete llamado poppler): http://blog.alivate.com.au/poppler-windows/

Answer 3

Encontré esta solución simple, PyMuPDF, salida a archivo png

    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 4

Existe una utilidad llamada pdftojpg que se puede usar para convertir el pdf a img

Puede encontrar el código aquí https://github.com/pankajr141/pdf2jpg

from pdf2jpg import pdf2jpg
inputpath = r"D:/inputdir/pdf1.pdf"
outputpath = r"D:/outputdir"
# To convert single page
result = pdf2jpg.convert_pdf2jpg(inputpath, outputpath, pages="1")
print(result)

# To convert multiple pages
result = pdf2jpg.convert_pdf2jpg(inputpath, outputpath, pages="1,0,3")
print(result)

# to convert all pages
result = pdf2jpg.convert_pdf2jpg(inputpath, outputpath, pages="ALL")
print(result)

Answer 5

Le recomendaría que use Aspose.PDF Cloud SDK para convertir PDF a JPEG. Aquí hay un example :

curl -v "https://api.aspose.cloud/v1.1/pdf/test.pdf/pages/1/convert/jpeg?outpath=test.jpeg" -X PUT -H "Content-Type: application/json" -H "Accept: application/json" -H "Authorization: ..."

Espero eso ayude. De lo contrario, no dudes en preguntarme.

Nota : Estoy trabajando como desarrollador evangelista en Aspose.

Answer 6

No es necesario instalar Poppler en su sistema operativo. Esto funcionará:

pip install Wand

from wand.image import Image

with(Image(filename="somefile.pdf", resolution=120)) as source: 
    images = source.sequence
    pages = len(images)
    for i in range(pages):
        n = i + 1
        newfilename = f[:-4] + str(n) + ''.jpeg''
        Image(images[i]).save(filename=newfilename)

Answer 7

Se puede usar la biblioteca pdf2image.

Puedes instalarlo simplemente usando,

pip install pdf2image

Una vez instalado, puede usar el siguiente código para obtener imágenes.

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

Guardar páginas en formato jpeg

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

Editar: el repositorio de Github pdf2image también menciona que usa pdftoppm y que requiere otras instalaciones:

pdftoppm es la pieza de software que hace la magia real. Se distribuye como parte de un paquete mayor llamado poppler . Los usuarios de Windows deberán instalar poppler para Windows . Los usuarios de Mac deberán instalar poppler para Mac . Los usuarios de Linux tendrán pdftoppm preinstalado con la distribución (probado en Ubuntu y Archlinux) si no es así, ejecute sudo apt install poppler-utils .

Aquí está la instalación adecuada para Windows: http://blog.alivate.com.au/poppler-windows/

Answer 8

Utilizo una opción (quizás) mucho más simple de pdf2image:

cd $dir for f in *.pdf do if [ -f "${f}" ]; then n=$(echo "$f" | cut -f1 -d''.'') pdftoppm -scale-to 1440 -png $f $conv/$n rm $f mv $conv/*.png $dir fi done

Esta es una pequeña parte de un script bash en un bucle para el uso de un dispositivo de conversión estrecho. Comprueba cada 5 segundos los archivos pdf agregados (todos) y los procesa. Esto es para un dispositivo de demostración, al final la conversión se realizará en un servidor remoto. Convertir a .PNG ahora, pero .JPG también es posible.

Esta conversión, junto con las transiciones en formato A4, muestra un video, dos textos de desplazamiento suave y un logotipo (con transición en tres versiones) configura el Pi3 en casi 4x 100% de carga de CPU ;-)