PyMuPDF批量PDF转图片脚本：DPI参数、页码过滤与内存排查

脚本专家

PDF转图片看似简单，真正批量处理时常见问题不少：在线工具限制文件大小，阅读器导出分辨率不可控，内网环境又不适合上传文档。把转换逻辑写成 Python 脚本，调用 MuPDF 渲染引擎逐页输出位图，更适合批量、离线、可配置的场景。原文围绕 PyMuPDF 展开，重点在 DPI 控制、页码过滤、输出命名和异常排查。

在方案选择上，pdf2image 依赖 poppler，Windows 下要单独配置 PATH；pdftoppm 是系统命令行工具，做简单转换方便，但要做目录遍历、命名规则和异常处理时脚本会变复杂。PyMuPDF 通过 pip 安装，导入名是 fitz，不依赖额外系统动态库，跨平台安装相对省事。需要注意：应安装 PyMuPDF，而不是安装名为 fitz 的老库；安装完成后用 import fitz 验证导入是否成功。

环境准备建议使用独立虚拟环境，避免污染全局 Python：

2. python -m venv pdf2img_env
3. # Windows PowerShell 激活 Scripts 目录下的 Activate.ps1
4. # Linux/macOS 激活：
5. source pdf2img_env/bin/activate
6. pip install --upgrade pip
7. pip install PyMuPDF

复制代码

PDF 页面坐标以点为单位，1 点等于 1/72 英寸。不指定缩放时默认约 72 DPI，A4 页面大约输出 595x842 像素，屏幕浏览勉强够用，印刷或高清展示就不合适。常见做法是直接给 get_pixmap 传入 dpi 参数；如果已经计算好缩放倍率，也可以用 Matrix 指定。例如 2.0 倍约等于 144 DPI，300 DPI 对应的缩放系数是 300/72，约 4.1667。

2. import fitz
4. doc = fitz.open('原始文件.pdf')
5. page = doc[0]
7. # 直接指定 DPI
8. pix = page.get_pixmap(dpi=300)
9. pix.save('第1页.png')
11. # 指定缩放矩阵，2.0 倍约等于 144 DPI
12. zoom = fitz.Matrix(2.0, 2.0)
13. pix = page.get_pixmap(matrix=zoom)

复制代码

下面这版脚本把输出目录、DPI、图片格式和页码范围都做成参数。页码对外从 1 开始，内部索引从 0 开始；输出文件名用 zfill(4) 补零，便于按页排序。pathlib.Path 负责路径拼接，可以减少 Windows 反斜杠转义问题。

2. import fitz
3. import sys
4. from pathlib import Path
6. def pdf_to_images(pdf_path, output_dir=None, dpi=200, img_format='png', pages=None):
7.     pdf_path = Path(pdf_path)
8.     if not pdf_path.exists():
9.         raise FileNotFoundError(f'找不到PDF文件: {pdf_path}')
11.     if output_dir is None:
12.         output_dir = pdf_path.parent / f'images_{pdf_path.stem}'
13.     output_dir = Path(output_dir)
14.     output_dir.mkdir(parents=True, exist_ok=True)
16.     doc = fitz.open(pdf_path)
17.     total = doc.page_count
19.     if pages is None:
20.         page_indices = range(total)
21.     else:
22.         page_indices = [p for p in pages if 0 <= p < total]
24.     if not page_indices:
25.         print('警告：指定的页码范围无效')
26.         return
28.     print(f'PDF页数: {total}，本次转换: {len(page_indices)} 页')
30.     for i, page_idx in enumerate(page_indices, start=1):
31.         page = doc[page_idx]
32.         pix = page.get_pixmap(dpi=dpi)
33.         suffix = str(page_idx + 1).zfill(4)
34.         ext = img_format.lower().replace('jpg', 'jpeg')
35.         out_file = output_dir / f'{pdf_path.stem}_{suffix}.{ext}'
36.         pix.save(out_file)
37.         print(f'[{i}/{len(page_indices)}] 已生成: {out_file.name}')
39.     doc.close()
40.     print(f'处理完成，共生成 {len(page_indices)} 张图片，保存在：{output_dir}')
41.     return output_dir
43. if __name__ == '__main__':
44.     if len(sys.argv) < 2:
45.         print('用法: python pdf2img.py <pdf文件> [--dpi 300] [--format png] [--pages 1 3 5]')
46.         sys.exit(1)
48.     pdf_arg = sys.argv[1]
49.     kwargs = {}
51.     if '--dpi' in sys.argv:
52.         idx = sys.argv.index('--dpi')
53.         kwargs['dpi'] = int(sys.argv[idx + 1])
55.     if '--format' in sys.argv:
56.         idx = sys.argv.index('--format')
57.         kwargs['img_format'] = sys.argv[idx + 1]
59.     if '--pages' in sys.argv:
60.         idx = sys.argv.index('--pages')
61.         pages = []
62.         for v in sys.argv[idx + 1:]:
63.             if v.isdigit():
64.                 pages.append(int(v) - 1)
65.             else:
66.                 break
67.         kwargs['pages'] = pages
69.     try:
70.         pdf_to_images(pdf_arg, **kwargs)
71.     except Exception as e:
72.         print(f'转换失败: {e}')
73.         sys.exit(2)

复制代码

DPI 不能盲目拉高。原文给出的参考是：手机横屏浏览可用 120 DPI，电脑屏幕阅读可用 150 DPI，PPT 高清插入可用 200 DPI，A4 彩色印刷建议 300 DPI，大幅面喷绘才考虑 600 DPI。150 DPI 到 300 DPI 的清晰度差异肉眼可见，但 300 DPI 的文件体积也会明显增加。格式方面，PNG 无损，适合文字、图表、印章；JPG 体积小，但原 PDF 有透明背景时，转 JPG 可能把透明区域填成黑色。默认用 PNG 更稳妥。

如果面对的是一个目录里的多个 PDF，可以在外层再套一层遍历。rglob('*.pdf') 会递归查找子目录，适合文档库归档；只处理顶层文件时改成 glob('*.pdf')。输出目录可以按原相对路径组织，避免同名文件互相覆盖。

2. import fitz
3. from pathlib import Path
5. def batch_convert(input_dir, output_root=None, dpi=200, img_format='png'):
6.     input_dir = Path(input_dir)
7.     pdf_files = list(input_dir.rglob('*.pdf'))
8.     print(f'找到 {len(pdf_files)} 个PDF文件')
10.     for pdf_path in pdf_files:
11.         if output_root:
12.             relative_path = pdf_path.parent.relative_to(input_dir)
13.             out_dir = Path(output_root) / relative_path
14.         else:
15.             out_dir = pdf_path.parent / f'images_{pdf_path.stem}'
16.         pdf_to_images(pdf_path, output_dir=out_dir, dpi=dpi, img_format=img_format)

复制代码

实际运行中最容易遇到几类问题。中文路径或文件名报编码错误时，可以在脚本顶部重设标准输出编码，并用 Path.resolve() 取得绝对路径后再传给 fitz.open；路径里如果包含特殊符号，也要先确认能否被正确解析。

2. import sys
3. import io
4. sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8')
5. pdf_path = Path(pdf_path).resolve()

复制代码

带密码的 PDF 不能直接打开，需要判断 needs_pass 并调用 authenticate。authenticate 返回布尔值，不能写成和 True 比较的形式。部分 PDF 即使限制了打印或编辑，屏幕渲染仍可能可用，不能仅凭权限提示判断为完全不能转图片。

2. doc = fitz.open(pdf_path)
3. if doc.needs_pass:
4.     if doc.authenticate('你的密码'):
5.         print('密码正确')
6.     else:
7.         raise ValueError('无法解锁PDF')

复制代码

大 PDF 内存上涨时，不要长期保留页面对象。循环中用 doc.load_page(i) 按需加载，每轮渲染完成后对象更容易释放；如果仍然担心内存峰值，可以分段处理，例如先渲染前 200 页，保存并关闭文档，再重新打开处理后续页面。原文实测 1000 页文档连续渲染 200 DPI 的 JPG，内存稳态约 1.5 GB，属于可接受范围。

2. for i in range(doc.page_count):
3.     page = doc.load_page(i)
4.     pix = page.get_pixmap(dpi=200)
5.     pix.save(f'page_{i+1}.png')

复制代码

输出图片颜色偏色或整体发黑，常见原因是颜色空间转换。可以显式指定 colorspace=fitz.csRGB 让屏幕预览按 RGB 渲染；需要 CMYK 时可指定 fitz.csCMYK，但普通 PNG 默认仍以 RGB 方式存储，缺少 ICC 配置时看图软件显示可能发灰。原文的建议是屏幕预览一律 RGB，印刷需求交给印前流程处理，不依赖 Python 管理色彩。扫描版 PDF 转图片时，页面本身就是一张大图，重点应放在分辨率上，后续要提取文字应走 OCR，而不是期待转图片解决乱码。

2. pix = page.get_pixmap(dpi=300, colorspace=fitz.csRGB)

复制代码

进一步优化时，可以只抽取关键页，用页码范围过滤减少无用输出；黑白文档可以输出灰度图，原文指出灰度文件体积大约是 RGB 的三分之一。生成缩略图时，可把前若干页按网格拼成一张预览图，原文示例最多拼接 16 页，并引入 PIL 处理图片尺寸和画布。

2. import fitz
3. from PIL import Image
4. import io
6. def make_thumbnail(pdf_path, out_png, cols=4, thumb_width=200, dpi=60):
7.     doc = fitz.open(pdf_path)
8.     thumbs = []
9.     max_pages = min(16, doc.page_count)
10.     for i in range(max_pages):
11.         pix = doc[i].get_pixmap(dpi=dpi)
12.         img = Image.open(io.BytesIO(pix.tobytes('png')))
13.         ratio = thumb_width / img.width
14.         new_h = int(img.height * ratio)
15.         img = img.resize((thumb_width, new_h))
16.         thumbs.append(img)
17.     doc.close()
19.     rows = (len(thumbs) + cols - 1) // cols
20.     max_h = max(img.height for img in thumbs)
21.     canvas = Image.new('RGB', (cols * thumb_width, rows * max_h), 'white')
22.     for i, img in enumerate(thumbs):
23.         x = (i % cols) * thumb_width
24.         y = (i // cols) * max_h
25.         canvas.paste(img, (x, y))
26.     canvas.save(out_png)

复制代码

长任务建议加进度条。安装 tqdm 后，把页码循环改成带描述的迭代，处理 500 页 PDF 时能直观看到进度，避免误以为程序卡死。原文给出的普通笔记本速度约为每秒 3 到 5 页，200 DPI 输出 PNG。

2. from tqdm import tqdm
3. for i in tqdm(page_indices, desc='转换进度', unit='页'):
4.     page = doc[i]
5.     pix = page.get_pixmap(dpi=dpi)
6.     pix.save(out_template.format(i + 1))

复制代码

如果经常在资源管理器里操作 PDF，还可以用 reg add 注册右键菜单命令，把选中的文件作为 %1 传给脚本，并用 pythonw.exe 避免弹出命令行窗口。注册表路径和脚本路径都应使用绝对路径，生产环境先在测试机验证。

整体来看，这套脚本的核心不是替代某一次手工导出，而是把 PDF 转图片变成可重复调用的自动化节点：不依赖在线服务，不依赖 Adobe 系软件，参数、命名和异常处理都由代码控制。首次使用时尤其要确认安装的是 PyMuPDF、导入的是 fitz；批处理前检查 doc.page_count 是否大于 0；损坏文件用 try/except 包裹并输出文件路径和异常类型，排查效率会高很多。