如何使用 Python 3.7 pdf2image 庫解決 MemoryError？

Question

我正在使用 Python PDF2Image 庫運行一個簡單的 PDF 到圖像轉換。 我當然可以理解這個庫正在跨越最大內存閾值以達到這個錯誤。 但是， PDF是 6.6 MB（大約），那么為什么它會占用 GB 的內存來引發內存錯誤呢？

Python 3.7.0 (v3.7.0:1bf9cc5093, Jun 27 2018, 04:06:47) [MSC v.1914 32 bit (Intel)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> from pdf2image import convert_from_path
>>> pages = convert_from_path(r'C:\Users\aakashba598\Documents\pwc-annual-report-2017-2018.pdf', 200)
Exception in thread Thread-3:
Traceback (most recent call last):
  File "C:\Users\aakashba598\AppData\Local\Programs\Python\Python37-32\lib\threading.py", line 917, in _bootstrap_inner
    self.run()
  File "C:\Users\aakashba598\AppData\Local\Programs\Python\Python37-32\lib\threading.py", line 865, in run
    self._target(*self._args, **self._kwargs)
  File "C:\Users\aakashba598\AppData\Local\Programs\Python\Python37-32\lib\subprocess.py", line 1215, in _readerthread
    buffer.append(fh.read())
MemoryError

另外，對此的可能解決方案是什么？

更新：當我從convert_from_path函數減少 dpi 參數時，它就像一個魅力。 但是生成的圖片質量很低（原因很明顯）。 有沒有辦法來解決這個問題？ 就像批量創建圖像和每次清除內存一樣。 如果有辦法，應該怎么做？

Answer 1

每次以 10 頁為單位轉換 PDF（1-10,11-20 等...）

from pdf2image import pdfinfo_from_path,convert_from_path
info = pdfinfo_from_path(pdf_file, userpw=None, poppler_path=None)

maxPages = info["Pages"]
for page in range(1, maxPages+1, 10) : 
   convert_from_path(pdf_file, dpi=200, first_page=page, last_page = min(page+10-1,maxPages))

Answer 2

我對此有點晚了，但問題確實與進入內存的 136 頁有關。 你可以做三件事。

1. 指定轉換圖像的格式。

默認情況下，pdf2image 使用 PPM 作為其圖像格式，速度更快，但也占用更多內存（每個圖像超過 30MB！）。 您可以做些什么來解決這個問題，那就是使用更內存友好的格式，如 jpeg 或 png。

convert_from_path('C:\path\to\your\pdf', fmt='jpeg')

這可能會解決問題，但這主要是因為壓縮，並且在某些時候（例如 +500 頁 PDF）問題會再次出現。

2. 使用輸出目錄

這是我推薦的，因為它允許您處理任何 PDF。 README 頁面上的示例很好地解釋了它：

import tempfile

with tempfile.TemporaryDirectory() as path:
    images_from_path = convert_from_path('C:\path\to\your\pdf', output_folder=path)

這會將圖像臨時寫入您的計算機存儲，因此您不必手動刪除它。 但是，請確保在退出with上下文之前執行您需要執行的任何處理！

3. 分塊處理PDF文件

pdf2image允許您定義要處理的第一頁和最后一頁。 這意味着在您的情況下，使用 136 頁的 PDF，您可以執行以下操作：

for i in range(0, 136 // 10 + 1):
    convert_from_path('C:\path\to\your\pdf', first_page=i*10, last_page=(i+1)*10)

Answer 3

接受的答案有一個小問題。

maxPages = pdf2image._page_count(pdf_file)

不能再使用，因為_page_count已棄用。 我找到了相同的工作解決方案。

from PyPDF2 import PdfFileWriter, PdfFileReader    
inputpdf = PdfFileReader(open(pdf, "rb"))
maxPages = inputpdf.numPages
for page in range(1, maxPages, 100):
    pil_images = pdf2image.convert_from_path(pdf, dpi=200, first_page=page,
                                                     last_page=min(page + 100 - 1, maxPages), fmt= 'jpg',
                                                     thread_count=1, userpw=None,
                                                     use_cropbox=False, strict=False)

這樣，無論文件有多大，它都會一次處理 100 個，並且 ram 使用量總是最小的。

Answer 4

一個相對較大的 PDF 會耗盡你所有的內存並導致進程被終止（除非你使用輸出文件夾） https://github.com/Belval/pdf2image我想這會幫助你理解。

解決方案：將pdf分成小部分並將其轉換為圖像。 圖片可以合並...

 from PyPDF2 import PdfFileWriter, PdfFileReader

 inputpdf = PdfFileReader(open("document.pdf", "rb"))

 for i in range(inputpdf.numPages):
     output = PdfFileWriter()
     output.addPage(inputpdf.getPage(i))
     with open("document-page%s.pdf" % i, "wb") as outputStream:
         output.write(outputStream)

使用python將多頁pdf文件拆分為多個pdf文件？

 import numpy as np
 import PIL

 list_im = ['Test1.jpg', 'Test2.jpg', 'Test3.jpg']
 imgs    = [ PIL.Image.open(i) for i in list_im ]
 # pick the image which is the smallest, and resize the others to match it (can be   arbitrary image shape here)
 min_shape = sorted( [(np.sum(i.size), i.size ) for i in imgs])[0][1]
 imgs_comb = np.hstack( (np.asarray( i.resize(min_shape) ) for i in imgs ) )

 # save that beautiful picture
 imgs_comb = PIL.Image.fromarray( imgs_comb)
 imgs_comb.save( 'Trifecta.jpg' )    

 # for a vertical stacking it is simple: use vstack
 imgs_comb = np.vstack( (np.asarray( i.resize(min_shape) ) for i in imgs ) )
 imgs_comb = PIL.Image.fromarray( imgs_comb)
 imgs_comb.save( 'Trifecta_vertical.jpg' )

參考： 用 Python 水平組合多個圖像

Answer 5

最終，結合這些技術，我最終編寫了如下代碼，目標是將 pdf 轉換為 pptx，同時避免內存溢出和良好的速度：

import os, sys, tempfile, pprint
from PIL import Image
from pdf2image import pdfinfo_from_path,convert_from_path
from pptx import Presentation
from pptx.util import Inches
from io import BytesIO

pdf_file = sys.argv[1]
print("Converting file: " + pdf_file)

# Prep presentation
prs = Presentation()
blank_slide_layout = prs.slide_layouts[6]

# Create working folder
base_name = pdf_file.split(".pdf")[0]

# Convert PDF to list of images
print("Starting conversion...")
print()
path: str = "C:/ppttemp"  #temp dir (use cron to delete files older than 1h hourly)
slideimgs = []
info = pdfinfo_from_path(pdf_file, userpw=None, poppler_path='C:/Program Files/poppler-0.90.1/bin/')
maxPages = info["Pages"]
for page in range(1, maxPages+1, 5) : 
   slideimgs.extend( convert_from_path(pdf_file, dpi=250, output_folder=path, first_page=page, last_page = min(page+5-1,maxPages), fmt='jpeg', thread_count=4, poppler_path='C:/Program Files/poppler-0.90.1/bin/', use_pdftocairo=True)   )

print("...complete.")
print()

# Loop over slides
for i, slideimg in enumerate(slideimgs):
    if i % 5 == 0:
        print("Saving slide: " + str(i))

    imagefile = BytesIO()
    slideimg.save(imagefile, format='jpeg')
    imagedata = imagefile.getvalue()
    imagefile.seek(0)
    width, height = slideimg.size

    # Set slide dimensions
    prs.slide_height = height * 9525
    prs.slide_width = width * 9525

    # Add slide
    slide = prs.slides.add_slide(blank_slide_layout)
    pic = slide.shapes.add_picture(imagefile, 0, 0, width=width * 9525, height=height * 9525)
    

# Save Powerpoint
print("Saving file: " + base_name + ".pptx")
prs.save(base_name + '.pptx')
print("Conversion complete. :)")
print()