基于 Python 批量提取 PDF 首页
目录
最近因为汇总论文成果，需要提取论文的首页。虽然 Acrobat 提供了页面组织功能可以任意提取，但手动操作一次只能处理一个文件。当面对好几十篇论文时，尚未开始就已经放弃。
工欲善其事必先利其器，决定造个工具，一劳永逸提高效率。
以下代码基于 小白程序猿 的方案，面向我自己的需求作了一些调整适配，在此致谢🫡
插播推荐 PDF 补丁丁
环境与原料
Python
PyMuPDF模块
pip install PyMuPDF工具代码
以下为完整代码：
# coding:utf-8
import os
import fitz
# 解析
# 函数将file_path中所有文件（包括子目录中的文件），处理后，按照原目录保存到save_path下。
# 即save_path下的文件夹结构和file_path一致。
def analysis(file_path, save_path, num, toimg):
# 资源列表
file_array = []
if os.path.isdir(file_path):
# 目录循环压入
file_count = get_path_file(file_path)
for v in file_count:
file_array.append(v)
else:
# 单文件，单次调用
file_array.append(file_path)
# 判断为空情况
if not file_array:
print("此目录下无文件")
# 执行解析
file_count_num = len(file_array)
print("程序运行中，共计%s个文件" % file_count_num)
success_num = file_count_num
failed_file_array = []
for v in file_array:
print("原文件路径：%s" % v)
# 获取文件名称及类型
file_name = os.path.basename(v)
# print("文件信息：%s" % file_name)
if '.pdf' not in file_name:
print("此文件非PDF文件，跳过")
failed_file_array.append("非 PDF文件：" + file_name)
success_num = success_num - 1
continue
# 打开PDF文件，生成一个对象
doc = fitz.open(v)
# 总页数
count_page = doc.pageCount
# print("文件共计：%s页" % count_page)
if toimg == False:
# 仅提取页面
if count_page > 1:
doc2 = fitz.open() # 创建新的空PDF
doc2.insert_pdf(doc, to_page = num) # 提取doc的第1页到doc2
# 创建子目录
p_1 = v.replace(file_path, save_path)
p_2 = p_1.replace(file_name, '')
if not os.path.exists(p_2):
os.makedirs(p_2)
print("提取到路径：" + p_2 + file_name)
doc2.save(p_2 + file_name) # 保存提取出的PDF文件
print("提取完成")
else:
print("此文档无内容，跳过")
failed_file_array.append("文件无内容：" + file_name)
success_num = success_num - 1
continue
else:
# 将页面转换为图片
if count_page > 1:
page = doc[num]
rotate = int(0)
# 每个尺寸的缩放系数为2，这将为我们生成分辨率提高四倍的图像。
zoom_x = 2.0
zoom_y = 2.0
trans = fitz.Matrix(zoom_x, zoom_y).preRotate(rotate)
pm = page.getPixmap(matrix=trans, alpha=False)
# 保存路径
# 创建子目录
p_1 = v.replace(file_path, save_path)
p_2 = p_1.replace(file_name, '')
if not os.path.exists(p_2):
os.makedirs(p_2)
new_file_name = file_name.replace(".pdf", "")
print("提取到路径：" + p_2 + '%s.png' % new_file_name)
pm.writePNG(p_2 + '%s.png' % new_file_name)
print("提取并转换为图片完成")
else:
print("此文档无内容，跳过")
failed_file_array.append(file_name)
success_num = success_num - 1
continue
print("\n\n合计 %d 个文件提取成功，以下文件提取失败：" % success_num)
for f in failed_file_array:
print(f)
# 返回目录下所有文件
def get_path_file(files_path):
data = []
for root, dirs, files in os.walk(files_path, topdown=False):
for name in files:
f_p = os.path.join(root, name).replace("\\", "/")
data.append(f_p)
return data
# 规范路径的斜杠格式
def uni_path(path: str) -> str:
# return path.replace(r'\/'.replace(os.sep, ''), os.sep) # 转换为当前系统的格式
return path.replace("\\\\","/").replace("\\","/") # 统一转换为unix格式
if __name__ == '__main__':
print("|---------------------------------|")
print("|++++++++ PDF处理工具箱 ++++++++|")
print("|---------------------------------|")
print("| |")
print("| 1. PDF 批量提取首页 |")
print("| 2. PDF 批量提取首页并转换为图片 |")
print("| |")
print("|---------------------------------|")
# 选择处理方式
toimg = False
choice = input("请输入要执行操作的编号：")
if choice == '1':
toimg = False
elif choice == '2':
toimg =True
# 当前目录下的文件
now_path = os.getcwd()
print("当前位置：%s" % now_path)
# 保存路径
print("请输入参数，以 / 结尾")
save_path = input("提取文件保存地址:")
# 判断目录
save_path_status = os.path.exists(save_path)
if not save_path_status:
os.mkdir(save_path)
# 截取页数
num = 0 # 截取第一页
# 路径或文件名
file_path = input("待处理PDF文件地址:")
# 调用方法
analysis(uni_path(file_path), uni_path(save_path), num, toimg)