Python使用pdf2image实现PDF转图片的完整指南

# 1. 安装 pdf2image
pip install pdf2image

# 2. 安装依赖的 poppler 工具
## Windows：下载预编译包并添加到 PATH
## macOS：brew install poppler
## Ubuntu/Debian：sudo apt-get install poppler-utils

from pdf2image import convert_from_path

# 将 PDF 所有页转换为 JPEG
images = convert_from_path('document.pdf', dpi=200)

# 保存所有图像
for i, image in enumerate(images):
    image.save(f'page_{i+1}.jpg', 'JPEG')

images = convert_from_path(
    'document.pdf',
    dpi=300,                # 分辨率
    first_page=5,           # 起始页
    last_page=10,           # 结束页
    fmt='png',              # 输出格式
    output_folder='output', # 输出目录
    output_file='doc_page', # 文件名前缀
    thread_count=4,         # 使用4线程
    size=(1200, None)       # 宽度1200px，高度按比例
)

from pdf2image import convert_from_bytes

with open('document.pdf', 'rb') as pdf_file:
    images = convert_from_bytes(pdf_file.read(), dpi=150)

images = convert_from_path('document.pdf')

# 使用 PIL 功能处理图像
for img in images:
    # 转换为灰度图
    grayscale = img.convert('L')
    grayscale.save('grayscale_page.jpg')

# 支持格式示例
convert_from_path(..., fmt='jpeg')  # JPEG (默认)
convert_from_path(..., fmt='png')   # 无损PNG
convert_from_path(..., fmt='tiff')  # TIFF格式

# 生成PDF缩略图
convert_from_path('report.pdf', 
                first_page=0, 
                last_page=0, 
                size=(300, 400),
                output_folder='thumbnails',
                output_file='preview')

# 为Tesseract准备高对比度图像
images = convert_from_path('scan.pdf', dpi=300)
for i, img in enumerate(images):
    # 增强对比度
    enhanced = ImageEnhance.Contrast(img).enhance(2.0)
    enhanced.save(f'ocr_page_{i}.png')

import os

pdf_folder = 'documents'
output_folder = 'converted'

for pdf_file in os.listdir(pdf_folder):
    if pdf_file.endswith('.pdf'):
        path = os.path.join(pdf_folder, pdf_file)
        convert_from_path(path, 
                         output_folder=output_folder,
                         output_file=os.path.splitext(pdf_file)[0],
                         fmt='jpeg')

import fitz
from pdf2image import convert_from_path

# 使用PyMuPDF提取特定页面
with fitz.open('large_document.pdf') as doc:
    # 提取第5-10页为新PDF
    doc.select([4, 5, 6, 7, 8, 9])
    doc.save('subset.pdf')

# 转换提取的页面
convert_from_path('subset.pdf', dpi=150)

# 使用路径而非字节流减少内存占用
convert_from_path('large.pdf')  # 优于 convert_from_bytes()

total_pages = 1000
chunk_size = 100

for start in range(0, total_pages, chunk_size):
    end = min(start + chunk_size - 1, total_pages - 1)
    convert_from_path('huge.pdf', 
                    first_page=start, 
                    last_page=end,
                    output_folder=f'chunk_{start//chunk_size}')

# 显式关闭资源
images = convert_from_path(...)
for img in images:
    img.close()

images = convert_from_path('doc.pdf', poppler_path=r'C:\poppler-xx\bin')

# 目前不支持加密PDF，需先用其他工具解密

# 提高JPEG质量（默认75）
convert_from_path(..., jpegopt={'quality': 95})

# 添加超时和错误处理
from pdf2image.exceptions import PDFInfoNotInstalledError, PDFPageCountError

try:
    images = convert_from_path('doc.pdf', timeout=120)
except (PDFInfoNotInstalledError, PDFPageCountError) as e:
    print(f"转换失败: {str(e)}")
    # 回退方案或日志记录

FROM python:3.9-slim
RUN apt-get update && apt-get install -y poppler-utils
COPY requirements.txt .
RUN pip install -r requirements.txt

# 高质量归档转换配置
convert_from_path(
    'important.pdf',
    dpi=300,
    fmt='tiff',
    output_folder='archives',
    jpegopt={'quality': 100} if fmt == 'jpeg' else None,
    thread_count=os.cpu_count() // 2  # 保留部分CPU资源
)

# 单文件多页TIFF输出
convert_from_path('doc.pdf', 
                single_file=True,
                output_file='combined.tiff',
                fmt='tiff')