Python 提取 PDF 图片的三种实用方法：fitz、pdf2image 与优化技巧

阿麦

发布时间：2026-10-14 | 3人浏览过

原创

本文详细介绍使用 Python 从 PDF 文件中提取图片的三种方法。首先讲解基于 fitz 库结合正则表达式匹配图片对象，并通过 pix.size 阈值过滤小色块；其次介绍 pdf2image 库的安装配置及 convert_from_path 与 convert_from_bytes 两种转换方式；最后补充多线程加速技巧，帮助开发者高效、安全地批量处理 PDF 图片资源。

在数据处理过程中，我们常遇到需要从单份或多份 PDF 文档中提取图片的需求。依赖在线工具存在数据泄露风险，而手动操作又过于繁琐。实际上，利用 Python 编程可以高效且安全地解决这一问题。本文将系统分享几种主流的 Python 提取 PDF 图片方案。需要注意的是，目前尚无一种方法能实现 100% 的完美提取，各方法各有优劣，建议结合使用多种方案以互补不足。主要涉及的技术方案包括：

基于 fitz 库与正则表达式匹配提取
基于 pdf2image 库的两种转换路径

利用 fitz 库配合正则搜索提取

fitz 作为 pymupdf 的子模块，需先通过命令行安装 pymupdf：


pip install pymupdf

注意在代码中导入时，应使用 import fitz 语句引入模块。

以下代码演示如何利用 fitz 库提取图片。该方法通过正则表达式匹配图片元素，将模板元素转换为像素数据后，以图片格式保存输出。


import fitz
import re
import os

file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径
dir_path = r'C:\xxx' # 存放图片的文件夹

def pdf2image1(path, pic_path):
  checkIM = r"/Subtype(?= */Image)"
  pdf = fitz.open(path)
  lenXREF = pdf._getXrefLength()
  count = 1
  for i in range(1, lenXREF):
    text = pdf._getXrefString(i)
    isImage = re.search(checkIM, text)
    if not isImage:
      continue
    pix = fitz.Pixmap(pdf, i)
    new_name = f"img_{count}.png"
    pix.writePNG(os.path.join(pic_path, new_name))
    count += 1
    pix = None

pdf2image1(file_path, dir_path)

运行示例文件后的提取结果如下所示：

观察结果可知，部分极小的色块也被识别并提取为图片。如何有效过滤这些无效的小色块呢？

一种简单的过滤策略是基于尺寸判断。在 fitz 库中，pix 像素对象提供了一个关键属性 pix.size，用于反映像素数量。通常，无效的小色块该值较低，因此可设定阈值进行过滤。例如，以 10000 为阈值进行筛选：


import fitz
import re
import os

file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径
dir_path = r'C:\xxx' # 存放图片的文件夹

def pdf2image1(path, pic_path):
  checkIM = r"/Subtype(?= */Image)"
  pdf = fitz.open(path)
  lenXREF = pdf._getXrefLength()
  count = 1
  for i in range(1, lenXREF):
    text = pdf._getXrefString(i)
    isImage = re.search(checkIM, text)
    if not isImage:
      continue
    pix = fitz.Pixmap(pdf, i)
    if pix.size < 10000: # 在这里添加一处判断一个循环
      continue # 不符合阈值则跳过至下
    new_name = f"img_{count}.png"
    pix.writePNG(os.path.join(pic_path, new_name))
    count += 1
    pix = None

pdf2image1(file_path, dir_path)

应用过滤后，可以看到所有有效图片均被正常提取，无效色块已被排除。

基于 pdf2image 库的两种实现方法

从库名即可推测其功能，官方文档地址为 https://www.cnpython.com/pypi/pdf2image。

可通过 pip install pdf2image 命令进行安装，但需注意，真正起转换作用的是 poppler 工具，因此必须额外安装并配置该环境：

Windows 用户必须安装 poppler for Windows，并将 bin/ 文件夹路径添加到系统环境变量 PATH 中。
Mac 用户则需安装 poppler for Mac。

具体发挥作用的代码在官方文档中已有详细说明：

接下来，我们分别尝试这两种转换方法：


from pdf2image import convert_from_path,convert_from_bytes
import tempfile
from pdf2image.exceptions import PDFInfoNotInstalledError, PDFPageCountError, PDFSyntaxError
import os

file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径
dir_path = r'C:\xxx' # 存放图片的文件夹

def pdf2image2(file_path, dir_path):
  images = convert_from_path(file_path, dpi=200)
  for image in images:
    if not os.path.exists(dir_path):
      os.makedirs(dir_path)
    image.save(file_path + f'\img_{images.index(image)}.png', 'PNG')

pdf2image2(file_path, dir_path)

第一种方法可成功提取图片。接着测试第二种方法：


from pdf2image import convert_from_path,convert_from_bytes
import tempfile
from pdf2image.exceptions import PDFInfoNotInstalledError, PDFPageCountError, PDFSyntaxError
import os

file_path = r'C:\xxx\xxx.pdf' # PDF 文件路径
dir_path = r'C:\xxx' # 存放图片的文件夹

def pdf2image3(file_path, dir_path):
  images = convert_from_bytes(open(file_path, 'rb').read())
  for image in images:
    if not os.path.exists(dir_path):
      os.makedirs(dir_path)
    image.save(file_path + f'\img_{images.index(image)}.png', 'PNG')

pdf2image3(file_path, dir_path)

结果显示与第一种方法一致，PDF 中的所有图片均被完整提取。

补充说明：核心方法 covert_from_bytes 包含大量参数，用户可根据需求自行调整。常用参数总结如下：

参数	意义
pdf_path	PDF 文档路径
dpi	图像质量（如果是学术期刊杂志常见 300dpi）
output_folder	将生成的图像写入文件夹（而不是直接写入内存）
first_page	起始转换页数
last_page	转换至哪一页
fmt	图像格式，可以指定为 png，默认为 ppm
thread_count	允许参与转换的线程数
userpw	PDF 的密码
output_file	输出文件名
poppler_path	指定 poppler 的安装路径，一开始配置好就无需指定