使用python的pdfminer庫提取pdf中的圖像之填坑記

本地環境：win10 x64，python3.8 x64

安裝：pip install pdfminer

使用：

按照官方給的方法使用一波，發現windows下沒給適配，運行pdf2txt.py直接彈出來編輯器編輯源代碼了，需要用python+絕對路徑+參數的方法調用

python (gcm pdf2txt.py).source -o outputfilename -O output_dir input.pdf

• -o：輸出文件名，可以通過文件拓展命指定轉換目標類型
• -O：輸出資源目錄，比如轉換成HTML文件，圖片文件存放目錄就在這里指定

跑一波

直接跑不通可還行，找來源代碼瞅瞅

看對filter調用的方法，filter應該是個list，直接 filters = stream.get_filters() 修改為 filters = list(stream.get_filters()) 

再試一波，這波沒報錯。

但是輸出的文件夾里只有一張圖，我pdf里上百張圖都去哪里了？？？

打開唯一的圖片發現是最后一張圖，盲猜一波pdf文件中的圖片都是這個名字，pdf2txt在解析抽取圖像的時候，只是簡單的用圖像在pdf里的名字保存，導致每次保存一張重名圖像都會把老圖替換掉。

剛剛出錯的文件名叫image.py應該是和圖像處理相關的，應該能找到圖像保存的邏輯。

果然！

在這里給文件名加個遞增前綴應該能解決問題。

定義一個生成遞增前綴滴函數，並在產生文件名時加上這個前綴

from time import time

def prefix_():
    return str(int(time()*10**6))

name = f'{prefix_()}_{image.name}.{ext}'

再跑一次

可以看到該有的都有了