【Python】PDFから画像を抽出する｜PyPDF4基礎

PyPDF4を使用すると、Pythonを使用してPDFから画像を抽出することができます。

本記事では、PyPDF4を使用した、PDFから画像を抽出する方法について、詳しくご説明します。

levtech-ad

＼業界最大級の案件数！／

レバテックフリーランス詳細はコチラ＞＞

PyPDF4とは

PyPDF4は、Pythonを使用してPDFを操作するための外部ライブラリの１つです。

PDF操作用ライブラリは他にも、PDFMinerやReportLabなどいくつか存在します。

それぞれのライブラリの用途は、以下の通りです。

本記事では、PyPDF4によるPDFから画像を抽出する方法をご紹介します。

PyPDF4のインストール

「PyPDF4」は、以下コマンドを入力することで、インストールすることができます。

コマンドの入力は、コマンドプロンプトあるいはターミナルから行います。

pip install PyPDF4

動作確認として、試しに以下を入力します。

from PyPDF4 import PdfFileReader

上記を入力してもエラーが発生しなければ、正常にインストールされています。

PDFから画像を抽出する

PyPDF4の「PdfFileReader」クラスのPageオブジェクトから画像データを探索・抽出することができます。

画像データの探索は、「/Resorces」キー配下の「/Xobject」キー内にて実行します。

以下PDFを使用して、画像を抽出してみます。

画像（PNGファイル）の抽出

PNGファイルの抽出方法を、以下にご紹介します。

#input
from PyPDF4 import PdfFileReader
from PIL import Image

# 画像抽出用PDFを取得(バイナリモード)
pdf = open("sample014.pdf", 'rb')
reader = PdfFileReader(pdf)

# Page数を取得
pgnum = reader.getNumPages() 

# Pageオブジェクトを取得
for i in range(pgnum):
    pg = reader.getPage(i) 

# Pageオブジェクトの探索
    if '/XObject' in pg['/Resources']:  # (1)
        xobjs = pg['/Resources']['/XObject']
        
        for key, obj in xobjs.items():
            item = obj.getObject()
            
            if item['/Subtype'] == '/Image':   # (2)
                if '/Filter' in item and item['/Filter'] == '/FlateDecode':

# PageオブジェクトからPNGファイルのバイナリデータを取得・出力
                    size = (item['/Width'], item['/Height'])
                    data = item.getData()
                    img = Image.frombytes("RGB", size, data)
                    img.save(key[1:]+".png")

pdf.close()

画像（JPEGファイル）の抽出

JPEGファイルの抽出方法を、以下にご紹介します。

#input
from PyPDF4 import PdfFileReader

# 画像抽出用PDFを取得(バイナリモード)
pdf = open("sample014.pdf", 'rb')
reader = PdfFileReader(pdf)

# Page数を取得
pgnum = reader.getNumPages() 

# Pageオブジェクトを取得
for i in range(pgnum):
    pg = reader.getPage(i) 

# Pageオブジェクトの探索
    if '/XObject' in pg['/Resources']:  # (1)
        xobjs = pg['/Resources']['/XObject']
        
        for key, obj in xobjs.items():
            item = obj.getObject()
            
            if item['/Subtype'] == '/Image':   # (2)
                if '/Filter' in item and item['/Filter'] == '/DCTDecode':

# PageオブジェクトからJPEGファイルのバイナリデータを取得・出力
                    data = item.getData()
                    img = open(key[1:]+".jpg", 'wb')
                    img.write(data)
                    img.close()

pdf.close()

まとめ

この記事では、PyPDF4を使用した、PDFから画像を抽出する方法について、ご説明しました。

本記事を参考に、ぜひ試してみて下さい。

参考

Python学習用おすすめ教材

Pythonの基本を学びたい方向け

統計学基礎を学びたい方向け

Pythonの統計解析を学びたい方向け

おすすめプログラミングスクール

テックアカデミーの無料体験