Extraer una página de un pdf como jpeg

En el código python, ¿cómo guardar de manera eficiente una determinada página en un pdf como un archivo jpeg? (Caso de uso: tengo un servidor web python flask donde se cargarán los pdf-s y los jpeg-s correspondientes a cada página son las tiendas).

Esta solución está cerca, pero el problema es que no convierte toda la página a jpeg.

Se puede utilizar la biblioteca pdf2image.

Puede instalarlo simplemente usando,

pip install pdf2image

Una vez instalado, puede usar el siguiente código para obtener imágenes.

from pdf2image import convert_from_path
pages = convert_from_path('pdf_file', 500)

Guardar páginas en formato jpeg

for page in pages:
    page.save('out.jpg', 'JPEG')

Editar: el repositorio de Github pdf2image también menciona que usa pdftoppmy que requiere otras instalaciones:

pdftoppm es el software que hace la magia real. Se distribuye como parte de un paquete mayor llamado poppler . Los usuarios de Windows deberán instalar poppler para Windows . Los usuarios de Mac deberán instalar poppler para Mac . Los usuarios de Linux tendrán pdftoppm preinstalado con la distribución (probado en Ubuntu y Archlinux) si no es así, ejecútelo sudo apt install poppler-utils.

Puede instalar la última versión en Windows usando anaconda haciendo:

conda install -c conda-forge poppler

nota: las versiones de Windows hasta 0.67 están disponibles en http://blog.alivate.com.au/poppler-windows/ pero tenga en cuenta que 0.68 se lanzó en agosto de 2018, por lo que no obtendrá las últimas funciones ni correcciones de errores.

Encontré esta solución simple, PyMuPDF , salida a archivo png. Tenga en cuenta que la biblioteca se importa como "fitz", un nombre histórico para el motor de renderizado que utiliza.

import fitz

pdffile = "infile.pdf"
doc = fitz.open(pdffile)
page = doc.loadPage(0)  # number of page
pix = page.getPixmap()
output = "outfile.png"
pix.writePNG(output)

La biblioteca de Python pdf2image(utilizada en la otra respuesta) de hecho no hace mucho más que simplemente iniciar pdttoppm con subprocess.Popen, por lo que aquí hay una versión corta que lo hace directamente:

PDFTOPPMPATH = r"D:\Documents\software\____PORTABLE\poppler-0.51\bin\pdftoppm.exe"
PDFFILE = "SKM_28718052212190.pdf"

import subprocess
subprocess.Popen('"%s" -png "%s" out' % (PDFTOPPMPATH, PDFFILE))

Aquí está el enlace de instalación de Windows para pdftoppm(contenido en un paquete llamado poppler): http://blog.alivate.com.au/poppler-windows/

No es necesario instalar Poppler en su sistema operativo. Esto funcionará:

pip instalar varita

from wand.image import Image

f = "somefile.pdf"
with(Image(filename=f, resolution=120)) as source: 
    for i, image in enumerate(source.sequence):
        newfilename = f[:-4] + str(i + 1) + '.jpeg'
        Image(image).save(filename=newfilename)

@gaurwraith, instale poppler para Windows y use pdftoppm.exe de la siguiente manera:

1. Descargue el archivo zip con los binarios / dlls más recientes de Poppler desde http://blog.alivate.com.au/poppler-windows/ y descomprímalo en una nueva carpeta en la carpeta de archivos de su programa. Por ejemplo: "C: \ Archivos de programa (x86) \ Poppler".

2. Agregue "C: \ Archivos de programa (x86) \ Poppler \ poppler-0.68.0 \ bin" a la variable de entorno SYSTEM PATH.

3. Desde la línea cmd instale el módulo pdf2image -> "pip install pdf2image".

4. O alternativamente, ejecute directamente pdftoppm.exe desde su código usando el módulo de subproceso de Python como lo explicó el usuario Basj.

@vishvAs vAsuki, este código debe generar los jpgs que desee a través del módulo de subproceso para todas las páginas de uno o más archivos PDF en una carpeta determinada:

import os, subprocess

pdf_dir = r"C:\yourPDFfolder"
os.chdir(pdf_dir)

pdftoppm_path = r"C:\Program Files (x86)\Poppler\poppler-0.68.0\bin\pdftoppm.exe"

for pdf_file in os.listdir(pdf_dir):

    if pdf_file.endswith(".pdf"):

        subprocess.Popen('"%s" -jpeg %s out' % (pdftoppm_path, pdf_file))

O usando el módulo pdf2image:

import os
from pdf2image import convert_from_path

pdf_dir = r"C:\yourPDFfolder"
os.chdir(pdf_dir)

    for pdf_file in os.listdir(pdf_dir):

        if pdf_file.endswith(".pdf"):

            pages = convert_from_path(pdf_file, 300)
            pdf_file = pdf_file[:-4]

            for page in pages:

               page.save("%s-page%d.jpg" % (pdf_file,pages.index(page)), "JPEG")

Hay una utilidad llamada pdftojpg que se puede utilizar para convertir el pdf a img

Puede encontrar el código aquí https://github.com/pankajr141/pdf2jpg

from pdf2jpg import pdf2jpg
inputpath = r"D:\inputdir\pdf1.pdf"
outputpath = r"D:\outputdir"
# To convert single page
result = pdf2jpg.convert_pdf2jpg(inputpath, outputpath, pages="1")
print(result)

# To convert multiple pages
result = pdf2jpg.convert_pdf2jpg(inputpath, outputpath, pages="1,0,3")
print(result)

# to convert all pages
result = pdf2jpg.convert_pdf2jpg(inputpath, outputpath, pages="ALL")
print(result)

GhostScript funciona mucho más rápido que Poppler para un sistema basado en Linux.

A continuación se muestra el código para la conversión de PDF a imagen.

def get_image_page(pdf_file, out_file, page_num):
    page = str(page_num + 1)
    command = ["gs", "-q", "-dNOPAUSE", "-dBATCH", "-sDEVICE=png16m", "-r" + str(RESOLUTION), "-dPDFFitPage",
               "-sOutputFile=" + out_file, "-dFirstPage=" + page, "-dLastPage=" + page,
               pdf_file]
    f_null = open(os.devnull, 'w')
    subprocess.call(command, stdout=f_null, stderr=subprocess.STDOUT)

GhostScript se puede instalar en macOS usando brew install ghostscript

La información de instalación para otras plataformas se puede encontrar aquí . Si aún no está instalado en su sistema.

Yo uso una opción (quizás) mucho más simple de pdf2image:

cd $dir
for f in *.pdf
do
  if [ -f "${f}" ]; then
    n=$(echo "$f" | cut -f1 -d'.')
    pdftoppm -scale-to 1440 -png $f $conv/$n
    rm $f
    mv  $conv/*.png $dir
  fi
done

Esta es una pequeña parte de un script bash en un bucle para el uso de un dispositivo de transmisión estrecho. Comprueba cada 5 segundos los archivos pdf agregados (todos) y los procesa. Esto es para un dispositivo de demostración, al final la conversión se realizará en un servidor remoto. Convertir a .PNG ahora, pero .JPG también es posible.

Esta conversión, junto con las transiciones en formato A4, la visualización de un video, dos textos de desplazamiento suave y un logotipo (con transición en tres versiones) configura el Pi3 a casi 4x 100% de carga de cpu ;-)

from pdf2image import convert_from_path
import glob

pdf_dir = glob.glob(r'G:\personal\pdf\*')  #your pdf folder path
img_dir = "G:\\personal\\img\\"           #your dest img path

for pdf_ in pdf_dir:
    pages = convert_from_path(pdf_, 500)
    for page in pages:
        page.save(img_dir+pdf_.split("\\")[-1][:-3]+"jpg", 'JPEG')

Aquí hay una solución que no requiere bibliotecas adicionales y es muy rápida. Esto se encontró en: https://nedbatchelder.com/blog/200712/extracting_jpgs_from_pdfs.html# He agregado el código en una función para que sea más conveniente.

def convert(filepath):
    with open(filepath, "rb") as file:
        pdf = file.read()

    startmark = b"\xff\xd8"
    startfix = 0
    endmark = b"\xff\xd9"
    endfix = 2
    i = 0

    njpg = 0
    while True:
        istream = pdf.find(b"stream", i)
        if istream < 0:
            break
        istart = pdf.find(startmark, istream, istream + 20)
        if istart < 0:
            i = istream + 20
            continue
        iend = pdf.find(b"endstream", istart)
        if iend < 0:
            raise Exception("Didn't find end of stream!")
        iend = pdf.find(endmark, iend - 20)
        if iend < 0:
            raise Exception("Didn't find end of JPG!")

        istart += startfix
        iend += endfix
        jpg = pdf[istart:iend]
        newfile = "{}jpg".format(filepath[:-3])
        with open(newfile, "wb") as jpgfile:
            jpgfile.write(jpg)

        njpg += 1
        i = iend

        return newfile

Llame a convert con la ruta del pdf como argumento y la función creará un archivo .jpg en el mismo directorio