利用 Python 优雅地将 PDF 转换成图片

顶级程序员

发布于 2018-07-23 11:06:27

1.2K0

发布于 2018-07-23 11:06:27

文章被收录于专栏：顶级程序员

源 / 程序员大咖

之前收集了很多优秀的 PDF文档，但是需要看的时候不是很方便，需要去找到这个文件，如果是在手机上的话往往还需要下载 PDF相关的插件才行，而且最大的问题是不便于资料的整理和分享。如果能够将 PDF转换成网页，岂不是就能解决这些问题了？还能直接分享出去。

这里利用 PyPDF包来处理 PDF文件，为了方便快捷，我这里直接将一个页面转换成图片，就不需要去识别页面中的每一个 PDF元素了，这是没必要的。

转换

核心代码很简单，就是将 PDF文件读取出来，转换成 PdfFileReader，然后就可以根据 PyPDF2的API去获得每一个页面的二进制数据，拿到二进制数据过后，就能很方便的进行图片处理了，这里用 wand包来进行图片处理。

# -*- coding: utf-8 -*-

import io

from wand.image import Image

from wand.color import Color

from PyPDF2 import PdfFileReader, PdfFileWriter

memo = {}

def getPdfReader(filename):

   reader = memo.get(filename, None)

   if reader is None:

       reader = PdfFileReader(filename, strict=False)

       memo[filename] = reader

   return reader

def _run_convert(filename, page, res=120):

   idx = page + 1

   pdfile = getPdfReader(filename)

   pageObj = pdfile.getPage(page)

   dst_pdf = PdfFileWriter()

   dst_pdf.addPage(pageObj)

   pdf_bytes = io.BytesIO()

   dst_pdf.write(pdf_bytes)

   pdf_bytes.seek(0)

   img = Image(file=pdf_bytes, resolution=res)

   img.format = 'png'

   img.compression_quality = 90

   img.background_color = Color("white")

   img_path = '%s%d.png' % (filename[:filename.rindex('.')], idx)

   img.save(filename=img_path)

   img.destroy()

需要注意的是一般PDF文件较大，如果一次性转换整个PDF文件需要小心内存溢出的问题，我们这里将第一次载入的整个PDF文件保存到内存，避免每次读取的时候都重新载入。

批量处理

上面已经完成了一个 PDF页面的转换，要完成整个文件的转换就很简单了，只需要拿到文件的总页码，然后循环执行就行。考虑到转换比较耗时，可以使用异步处理的方式加快速度。比如可以使用 celery来搭配处理，一定注意小心内存泄露。

核心代码已经整理放到github上去了，好了，等有时间的时候准备做一个公共的 PDF转成 H5的服务，开放给大众使用。

花了点时间，做成了一个独立的服务：https://pdfh5.com，欢迎大家试用

-END-

转载声明：本文转载自「程序员大咖」

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2018-05-20，如有侵权请联系 cloudcommunity@tencent.com 删除

python

api

本文分享自顶级程序员微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

python

api

登录后参与评论

0 条评论

热度