使用python批量提取PDF第一页封面图片

2018-04-27

pdf

pdf

1
pip install PyMuPDF
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
# coding:utf-8
import os
import fitz


# 解析
# 函数将file_path中所有文件（包括子目录中的文件），处理后，按照原目录保存到save_path下。
# 即save_path下的文件夹结构和file_path一致。
def analysis(file_path, save_path, num, toimg):
    # 资源列表
    file_array = []
    if os.path.isdir(file_path):
        # 目录循环压入
        file_count = get_path_file(file_path)
        for v in file_count:
            file_array.append(v)
    else:
        # 单文件，单次调用
        file_array.append(file_path)

    # 判断为空情况
    if not file_array:
        print("此目录下无文件")
    # 执行解析
    file_count_num = len(file_array)
    print("程序运行中，共计%s个文件" % file_count_num)
    success_num = file_count_num
    failed_file_array = []
    for v in file_array:
        print("原文件路径：%s" % v)
        # 获取文件名称及类型
        file_name = os.path.basename(v)
        # print("文件信息：%s" % file_name)
        if '.pdf' not in file_name:
            print("此文件非PDF文件，跳过")
            failed_file_array.append("非 PDF文件：" + file_name)
            success_num = success_num - 1
            continue
        #  打开PDF文件，生成一个对象
        doc = fitz.open(v)
        # 总页数
        count_page = doc.page_count
        # print("文件共计：%s页" % count_page)
        if toimg == False:
            # 仅提取页面
            if count_page > 1:
                doc2 = fitz.open()  # 创建新的空PDF
                doc2.insert_pdf(doc, to_page=num)  # 提取doc的第1页到doc2
                # 创建子目录
                p_1 = v.replace(file_path, save_path)
                p_2 = p_1.replace(file_name, '')
                if not os.path.exists(p_2):
                    os.makedirs(p_2)
                print("提取到路径：" + p_2 + file_name)
                doc2.save(p_2 + file_name)  # 保存提取出的PDF文件
                print("提取完成")
            else:
                print("此文档无内容，跳过")
                failed_file_array.append("文件无内容：" + file_name)
                success_num = success_num - 1
                continue
        else:
            # 将页面转换为图片
            if count_page > 1:
                page = doc[num]
                rotate = int(0)
                # 每个尺寸的缩放系数为2，这将为我们生成分辨率提高四倍的图像。
                zoom_x = 2.0
                zoom_y = 2.0
                trans = fitz.Matrix(zoom_x, zoom_y).prerotate(rotate)
                pm = page.get_pixmap(matrix=trans, alpha=False)
                # 保存路径
                # 创建子目录
                p_1 = v.replace(file_path, save_path)
                p_2 = p_1.replace(file_name, '')
                if not os.path.exists(p_2):
                    os.makedirs(p_2)

                new_file_name = file_name.replace(".pdf", "")
                print("提取到路径：" + p_2 + '%s.png' % new_file_name)
                pm.save(p_2 + '%s.png' % new_file_name)
                print("提取并转换为图片完成")
            else:
                print("此文档无内容，跳过")
                failed_file_array.append(file_name)
                success_num = success_num - 1
                continue
    print("\n\n合计 %d 个文件提取成功，以下文件提取失败：" % success_num)
    for f in failed_file_array:
        print(f)


# 返回目录下所有文件
def get_path_file(files_path):
    data = []
    for root, dirs, files in os.walk(files_path, topdown=False):
        for name in files:
            f_p = os.path.join(root, name).replace("\\", "/")
            data.append(f_p)
    return data


# 规范路径的斜杠格式
def uni_path(path: str) -> str:
    # return path.replace(r'\/'.replace(os.sep, ''), os.sep)  # 转换为当前系统的格式
    return path.replace("\\\\", "/").replace("\\", "/")  # 统一转换为unix格式


if __name__ == '__main__':
    print("|---------------------------------|")
    print("|++++++++  PDF处理工具箱  ++++++++|")
    print("|---------------------------------|")
    print("|                                 |")
    print("| 1. PDF 批量提取首页             |")
    print("| 2. PDF 批量提取首页并转换为图片 |")
    print("|                                 |")
    print("|---------------------------------|")

    # 选择处理方式
    toimg = False
    choice = input("请输入要执行操作的编号：")
    if choice == '1':
        toimg = False
    elif choice == '2':
        toimg = True
    # 当前目录下的文件
    now_path = os.getcwd()
    print("当前位置：%s" % now_path)
    # 保存路径
    print("请输入参数，以 / 结尾")
    save_path = input("提取文件保存地址:")
    # 判断目录
    save_path_status = os.path.exists(save_path)
    if not save_path_status:
        os.mkdir(save_path)
    # 截取页数
    num = 0  # 截取第一页
    # 路径或文件名
    file_path = input("待处理PDF文件地址:")

    # 调用方法
    analysis(uni_path(file_path), uni_path(save_path), num, toimg)
  1. 使用input输入路径
  2. 生成图片存户路径和存放路径
  3. 生成图片为PNG格式
  4. 支持自定义截取页数，建议为第一页