Извлечь изображения из PDF
Достаёт встроенные картинки со всех страниц, убирает повторы по хешу и пишет отчёт.
Что делает скрипт
Скрипт обходит страницы PDF, получает встроенные изображения через pypdf и сохраняет их отдельными файлами. Одинаковые картинки определяются по SHA-1 и не дублируются. Расширение берётся из имени объекта или формата PIL, поэтому результат можно открыть без переименования.
Быстрый старт
python extract_pdf_images.py document.pdf
Скачайте файл, откройте терминал в папке со скриптом и выполните команду.
В Linux и macOS интерпретатор может называться python3, в Windows - python или py.
Другие варианты
python extract_pdf_images.py catalog.pdf --outdir assetspython extract_pdf_images.py book.pdf --pages 1-20 --force
Что понадобится
winget install Python.Python.3.12
brew install python
sudo apt install python3
py -m pip install pypdf
python3 -m pip install pypdf
python3 -m pip install pypdf
py -m pip install Pillow
python3 -m pip install Pillow
python3 -m pip install Pillow
extract_pdf_images.py
#!/usr/bin/env python3
"""Извлечение встроенных изображений из PDF."""
from __future__ import annotations
import argparse
import hashlib
import sys
from pathlib import Path
from pypdf import PdfReader
from pypdf.errors import PdfReadError
ALLOWED = {".png", ".jpg", ".jpeg", ".jp2", ".tif", ".tiff", ".bmp", ".gif", ".webp"}
FORMAT_SUFFIX = {"JPEG": ".jpg", "PNG": ".png", "JP2": ".jp2", "TIFF": ".tiff", "BMP": ".bmp", "GIF": ".gif", "WEBP": ".webp"}
def parse_pages(spec: str, total: int) -> set[int]:
pages: set[int] = set()
for part in spec.split(","):
part = part.strip()
if not part:
continue
if "-" in part:
left, right = part.split("-", 1)
start = int(left) if left.strip() else 1
end = int(right) if right.strip() else total
pages.update(range(start, end + 1))
else:
pages.add(int(part))
return {page for page in pages if 1 <= page <= total}
def pick_suffix(name: str, image: object) -> str:
suffix = Path(name or "").suffix.lower()
if suffix in ALLOWED:
return suffix
fmt = getattr(image, "format", None)
return FORMAT_SUFFIX.get(str(fmt).upper(), ".png")
def main() -> int:
parser = argparse.ArgumentParser(description="Извлечь изображения из PDF")
parser.add_argument("input", type=Path, help="Исходный PDF")
parser.add_argument("--pages", help="Страницы, например 1-5")
parser.add_argument("--outdir", type=Path, default=Path("images"), help="Папка результатов")
parser.add_argument("--force", action="store_true", help="Перезаписать результаты")
args = parser.parse_args()
path = args.input.expanduser()
if not path.is_file():
print(f"Файл не найден: {path}", file=sys.stderr)
return 2
try:
reader = PdfReader(str(path))
except (PdfReadError, OSError) as error:
print(f"Не удалось открыть PDF: {error}", file=sys.stderr)
return 1
total = len(reader.pages)
selected = parse_pages(args.pages, total) if args.pages else set(range(1, total + 1))
outdir = args.outdir.expanduser()
seen: set[str] = set()
saved = 0
skipped = 0
for number in sorted(selected):
page = reader.pages[number - 1]
try:
images = list(page.images)
except Exception as error:
print(f"Страница {number}: изображения не читаются: {error}", file=sys.stderr)
continue
for index, image in enumerate(images, start=1):
try:
data = image.data
digest = hashlib.sha1(data).hexdigest()
if digest in seen:
skipped += 1
continue
seen.add(digest)
try:
suffix = pick_suffix(image.name, image.image)
except Exception:
suffix = pick_suffix(image.name, None)
target = outdir / f"{path.stem}_p{number:03d}_{index:02d}{suffix}"
if target.exists() and not args.force:
print(f"Пропуск, уже существует: {target}")
skipped += 1
continue
target.parent.mkdir(parents=True, exist_ok=True)
target.write_bytes(data)
saved += 1
except Exception as error:
print(f"Страница {number}, изображение {index}: {error}", file=sys.stderr)
print(f"Сохранено изображений: {saved}, пропущено: {skipped}")
return 0 if saved else 1
if __name__ == "__main__":
raise SystemExit(main())
Скрипты работают с файлами и настройками системы. Перед запуском прочитайте код и проверьте пути. Особенно если скрипт удаляет, перезаписывает или перемещает данные.