python使用fitz模块提取pdf中的图片

原以为这是一件很简单的过程，在百度上搜寻无果后。于是去查找官方文档，根据官方文档

https://pymupdf.readthedocs.io/en/latest/module.html#extracting-fonts-and-images

测试发现确实能够提取相应的图片信息

python -m fitz extract -h
usage: fitz extract [-h] [-images] [-fonts] [-output OUTPUT] [-password PASSWORD]
[-pages PAGES]
input
 
--------------------- extract images and fonts to disk --------------------
 
positional arguments:
input PDF filename
 
optional arguments:
-h, --help show this help message and exit
-images extract images
-fonts extract fonts
-output OUTPUT output directory, defaults to current
-password PASSWORD password
-pages PAGES only consider these pages, format: 1,5-7,50-N

但是在使用pycharm调试过程中报错

AttributeError: module 'fitz' has no attribute 'open'

于是找到"fitz\__main__.py"文件复制出来单独运行，运行一切正常

在看源码过程中

发下python中居然还会有作者关心内存的释放，这是我在写java和python过程中从没考虑的问题。

通过这种方式能够将文件中的图片抽取出来，但是不能找到图片被引用的具体信息，例如位置和引用次数。

python比Java方便的是，对于引用的包可以通过pycharm直接查看源码，于是继续搜寻源码看看在哪里可以找到有用的信息。

在搜寻过程中找到get_image_info这个函数，里面会描述图片所在位置的具体位置信息.

整理后的具体代码如下

import fitz
import cv2
import numpy as np
import utils.pymupdf_utils as pdf_util

path = r'南大路.pdf'
#加载pdf文件，可以参考源码中的open_file
doc = fitz.open(path)
#获取当前页的图片文件，可以用下面两种方式，也可以用for循环遍历每一页
# img_list = doc.get_page_images(0)
img_list = doc[0].getImageList()
for item in img_list:
    #提取图片字典，recoverpix函数参考__main__.py
    img_dict = pdf_util.recoverpix(doc, item)
    width, height, data = img_dict['width'], img_dict['height'], img_dict['image']
    # 将字节数组转为np格式数据
    np_data = np.frombuffer(data, np.uint8)
    # bmp格式数据转图片
    if len(np_data) % (width * height) == 0:
        img = np.reshape(np_data, (height, width, len(np_data) // (width * height)))
    else:
        # jpg或png格式转图片
        img = cv2.imdecode(np_data, cv2.IMREAD_ANYCOLOR)
    cv2.imshow('123',img)
    cv2.waitKey(0)

在查看官方源码过程中，感觉代码比较严谨，虽然没有过多的注释非常通俗易懂。看样子过段时间得再将《代码简洁之道》再好好看一遍