Офис и PDF

Извлечь изображения из PDF

Достаёт встроенные картинки со всех страниц, убирает повторы по хешу и пишет отчёт.

Python Windows macOS Linux Средний
Скачать extract_pdf_images.py
Описание

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.

Запуск

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.

Примеры

Другие варианты

  • python extract_pdf_images.py catalog.pdf --outdir assets
  • python extract_pdf_images.py book.pdf --pages 1-20 --force
Зависимости

Что понадобится

Python 3.10+ Интерпретатор и стандартная библиотека
Windows winget install Python.Python.3.12
macOS brew install python
Linux sudo apt install python3
pypdf
Windows py -m pip install pypdf
macOS python3 -m pip install pypdf
Linux python3 -m pip install pypdf
Pillow Нужен для декодирования части форматов
Windows py -m pip install Pillow
macOS python3 -m pip install Pillow
Linux python3 -m pip install Pillow
Исходник

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.

CLI 1.0.0

Скачать без браузера

Команда скачает этот файл в текущую папку. CLI работает на Windows, macOS и Linux.

scriptdock get office-pdf-extract-images
  • Поиск по всему каталогу
  • Python 3.10+
  • Без внешних пакетов
Скачать CLI

GUI-версия готовится. Подробнее

Категория

Офис и PDF

PDF, Word, Excel, презентации, документы и печать.