如何使用 python 從 pdf 文件中提取圖像、視頻和音頻

Question

我需要一個 python 程序，它可以從 pdf 中提取視頻音頻和圖像。我嘗試過使用 PyPDF2 和 Pillow 等庫，但我無法讓這三個庫都起作用，更不用說一個了。

Answer 1

我認為您可以使用pymupdf實現此目的。

要提取圖像，請參閱以下內容： https://pymupdf.readthedocs.io/en/latest/recipes-images.html#how-to-extract-images-pdf-documents

對於聲音和視頻，這些本質上是Annotation類型。

以下“注釋”function 將獲取 PDF 頁面的特定類型的所有注釋：

https://pymupdf.readthedocs.io/en/latest/page.html#Page.annots

Annotation類型如下：

https://pymupdf.readthedocs.io/en/latest/vars.html#annotationtypes

獲得注釋后，我認為您可以使用get_file方法提取內容（請參閱： https://pymupdf.readthedocs.io/en/latest/annot.html#Annot.get_file ）

希望這可以幫助！

Answer 2

@George Davis-Diver 可以給我一個帶視頻的例子 PDF 嗎？

聲音和視頻嵌入在它們特定的注釋類型中。 兩者都沒有 FileAttachment 注釋，因此無法使用各自的方法。

對於聲音注釋，您必須使用 `annot.get_sound()``，它返回一個字典，其中一個鍵是二進制聲音 stream。

另一方面，圖像肯定會作為 FileAttachment 注釋嵌入 - 但這是不尋常的。 通常它們獨立地顯示在頁面上。 找出一個頁面的圖像是這樣的：

import fitz
from pprint import pprint
doc=fitz.open("your.pdf")
page=doc[0]  # first page - use 0-based page numbers
pprint(page.get_images())
[(1114, 0, 1200, 1200, 8, 'DeviceRGB', '', 'Im1', 'FlateDecode')]
# extract the image stored under xref 1114:
img = doc.extract_image(1114)

這是一個包含圖像元數據和二進制圖像 stream 的字典。請注意，PDF 單獨存儲圖像的透明度數據，因此需要額外注意 - 但讓我們推遲到實際發生。