如何在纯 Python 中从 PDF 中提取图像？

Question

我正在开发一项服务，现在我需要从 PDF 文件中提取图像。从 Linux 命令行中，我可以使用 Poppler library 提取图像，例如 this：

pdfimages my_file.pdf /tmp/image

由于我使用的是 Python Flask 框架并且我想在 Heroku 上运行我的服务，因此我想使用纯 Python（或任何可以在 Flask 系统中的 Heroku 上运行的库）来提取图像。

那么有人知道我如何在纯 Python 中从 pdf 中提取图像吗？我更喜欢开源解决方案，但如果需要，我愿意为它付费（只要它在我自己的 Heroku 控制下运行）。

Answer 1

import minecart
import os
from NumberOfPages import getPageNumber

def extractImages(filename):

# making new directory if it doesn't exist
new_dir_name = filename[:-4]
if not os.path.exists(new_dir_name):
    os.makedirs(new_dir_name + '/images')
    os.makedirs(new_dir_name + '/text')

# open the target file
pdf_file = open(filename, 'rb')

# parse the document through the minecart. Document function
doc = minecart.Document(pdf_file)

# getting the number of pages in the pdf file.
num_pages = getPageNumber(filename)

# getting the list of all the pages
page = doc.get_page(num_pages)

count = 0
for page in doc.iter_pages():
    for i in range(len(page.images)):
        try:
            im = page.images[i].as_pil()  # requires pillow
            name = new_dir_name + '/images/image_' + str(count) + '.jpg'
            count = count + 1
            im.save(name)
        except:
            print('Error encountered at %s' % filename)

doc_name = new_dir_name + '/images/info.txt'

with open(doc_name, 'a') as x:
        print( x.write('Number of images in document: {}'.format(count)))