Python批量导出PDF图片：PyMuPDF与pypdf实现

脚本专家

提取PDF里的图片看起来只是“遍历页面、把图片存下来”，真正动手时会遇到三类麻烦：图片名带斜杠无法直接当文件名、同一张图在多页被引用导致重复保存、以及“要原始素材”还是“要带标注的视觉快照”分不清。下面按 pypdf、PyMuPDF、pdfplumber 三种实现整理一套可落地的脚本，并给出参数含义与常见坑的排查思路。

一、环境准备与方案定位

原文用 conda 建独立环境，Python 版本固定为 3.11，安装 pypdf：

2. conda create -n pdf2img python=3.11 -y
3. conda activate pdf2img
4. conda install -y pypdf

复制代码

三个库的定位差别很明确：pypdf 是纯 Python 实现，安装即用、无系统级 C 依赖，适合图片格式标准、不需要裁剪的场景；PyMuPDF（导入名为 fitz）功能最完整，能按交叉引用表直接取出嵌入图片的原始字节，保留 JPEG/PNG/TIFF 等原始格式并处理 CMYK 到 RGB 的转换；pdfplumber 不能直接取原始嵌入图片，但能拿到图片在页面上的精确边界框，适合按位置裁剪渲染。

二、pypdf 方案：最轻量的纯 Python 实现

核心接口是 page.images，它直接返回图片文件对象，对象上有 name 和 data 两个关键属性。原文实现里做了三处工程化处理，值得单独说明：

1）文件名清洗。img.name 可能是 /I1.png 或 FormXob.xxx.jpg 这类带斜杠的形式，直接拼接路径会出错，所以先 replace("\\", "/") 再取 os.path.basename。
2）扩展名兜底。用 os.path.splitext 拆出主干与后缀，后缀为空时统一补 .png，避免生成无扩展名文件。
3）跨页去重。用 hash(img.data) 作为键维护一个 seen 集合，同一张图被多页引用时只落盘一次。

完整代码如下：

2. import os
3. import pypdf
5. def extract_images_from_pdf(pdf_path, output_dir="extracted_images"):
6.     os.makedirs(output_dir, exist_ok=True)
8.     try:
9.         pdf_reader = pypdf.PdfReader(pdf_path)
10.     except FileNotFoundError:
11.         print(f"错误: 找不到PDF文件 '{pdf_path}'")
12.         return
13.     except Exception as e:
14.         print(f"打开PDF失败: {e}")
15.         return
17.     print(f"PDF文件: {pdf_path}")
18.     print(f"总页数: {len(pdf_reader.pages)}")
20.     image_count = 0
21.     seen = set()
23.     for page_num, page in enumerate(pdf_reader.pages):
24.         print(f"\n处理第 {page_num + 1} 页...")
25.         try:
26.             for img in page.images:
27.                 safe_name = os.path.basename(img.name.replace("\", "/"))
28.                 stem, ext = os.path.splitext(safe_name)
29.                 if not ext:
30.                     ext = ".png"
31.                 filename = f"page_{page_num + 1}_{stem}{ext}"
32.                 filepath = os.path.join(output_dir, filename)
34.                 key = hash(img.data)
35.                 if key in seen:
36.                     print(f" 跳过重复图片: {filename}")
37.                     continue
38.                 seen.add(key)
40.                 try:
41.                     with open(filepath, "wb") as f:
42.                         f.write(img.data)
43.                 except Exception as e:
44.                     print(f" 保存失败: {e}")
45.                     continue
47.                 image_count += 1
48.                 print(f" 发现图片 {image_count}: {filename} ({len(img.data)} 字节)")
49.         except Exception as e:
50.             print(f" 处理第 {page_num + 1} 页时出错: {e}")
51.             continue
53.     print(f"\n提取完成！共保存 {image_count} 张图片")
54.     print(f"图片保存在: {os.path.abspath(output_dir)}")
56. def main():
57.     pdf_path = input("请输入PDF文件路径: ").strip().strip('"').strip("'")
58.     if not os.path.exists(pdf_path):
59.         print(f"错误: 文件 '{pdf_path}' 不存在")
60.         return
61.     if not pdf_path.lower().endswith(".pdf"):
62.         print("警告: 文件可能不是PDF格式")
64.     output_dir = input("请输入输出目录 (默认为 'extracted_images'): ").strip()
65.     if not output_dir:
66.         output_dir = "extracted_images"
68.     extract_images_from_pdf(pdf_path, output_dir)
70. if __name__ == "__main__":
71.     main()

复制代码

运行方式为 python pdf_extract_fixed.py。需要注意，输入路径时额外调用 strip('"') 与 strip("'") 是为了兼容从资源管理器“复制为路径”带引号粘贴的情况，不处理会直接命中“文件不存在”。

该方案的局限在兼容性：pypdf 对部分特殊编码或 CMYK 图片的处理不如 PyMuPDF 稳定，提取结果可能在格式或色彩上出现偏差。

三、PyMuPDF 方案：直接取原始字节，画质无损

思路是先 page.get_images(full=True) 拿到页面上的图片清单，其中 img[0] 是 xref，即图片在 PDF 交叉引用表中的 ID；再把 xref 交给 doc.extract_image(xref)，返回字典里 image 是原始字节、ext 是原始扩展名。因为不重新编码，所以画质不损失，命名按“页号 + 图序 + 原始扩展名”组织：

2. import fitz  # PyMuPDF
3. import os
5. def extract_images_pymupdf(pdf_path, output_dir="extracted_images"):
6.     os.makedirs(output_dir, exist_ok=True)
7.     doc = fitz.open(pdf_path)
8.     saved = []
10.     for page_num in range(len(doc)):
11.         page = doc.load_page(page_num)
12.         images = page.get_images(full=True)
13.         for img_index, img in enumerate(images):
14.             xref = img[0]
15.             base_image = doc.extract_image(xref)
16.             image_bytes = base_image["image"]
17.             image_ext = base_image["ext"]
18.             filename = f"page_{page_num + 1}_img_{img_index + 1}.{image_ext}"
19.             filepath = os.path.join(output_dir, filename)
20.             with open(filepath, "wb") as f:
21.                 f.write(image_bytes)
22.             saved.append(filepath)
23.             print(f"已保存: {filename} ({len(image_bytes) / 1024:.1f} KB)")
25.     doc.close()
26.     return saved
28. if __name__ == "__main__":
29.     extract_images_pymupdf("your_file.pdf", "output_images")

复制代码

若同一张图被多页引用，get_images(full=True) 会在每一页都返回同一个 xref，此时用 xref 集合去重比按字节比较更省内存：

2. seen_xrefs = set()
3. for page in doc:
4.     for img in page.get_images(full=True):
5.         xref = img[0]
6.         if xref in seen_xrefs:
7.             continue
8.         seen_xrefs.add(xref)
9.         # 此处调用 doc.extract_image(xref) 提取

复制代码

四、进阶：需要保留叠加标注时改为区域渲染

如果图片上方叠加了红框、文字说明等非嵌入元素，直接 extract_image 只会拿到原始图片，叠加内容全部丢失。这时应先用 page.get_image_rects(xref) 取图片在页面上的矩形区域，再用 get_pixmap(clip=rect, dpi=300) 渲染该区域。dpi 控制输出分辨率，clip 保证只渲染图片所在范围而不是整页：

2. def extract_images_with_annotations(pdf_path, output_dir="extracted_with_annotations"):
3.     os.makedirs(output_dir, exist_ok=True)
4.     doc = fitz.open(pdf_path)
6.     for page_num in range(len(doc)):
7.         page = doc.load_page(page_num)
8.         for img_index, img in enumerate(page.get_images(full=True)):
9.             xref = img[0]
10.             rects = page.get_image_rects(xref)
11.             for rect in rects:
12.                 pix = page.get_pixmap(clip=rect, dpi=300)
13.                 filename = f"page_{page_num + 1}_img_{img_index + 1}_annotated.png"
14.                 pix.save(os.path.join(output_dir, filename))
16.     doc.close()

复制代码

五、pdfplumber 方案：按页面坐标裁剪渲染

pdfplumber 的 page.images 提供每张图的边界信息，但它的坐标原点在左下角，而渲染用的 Pillow 以左上角为原点，所以必须做一次纵向翻转：新的上边界为 page_height - img["y1"]，新的下边界为 page_height - img["y0"]，然后 page.crop(bbox).to_image(resolution=300) 得到快照并保存为 PNG。

2. import pdfplumber
3. import os
5. def extract_images_pdfplumber(pdf_path, output_dir="pdfplumber_images", resolution=300):
6.     os.makedirs(output_dir, exist_ok=True)
7.     saved = []
9.     with pdfplumber.open(pdf_path) as pdf:
10.         for page_num, page in enumerate(pdf.pages):
11.             page_height = page.height
13.             for img_index, img in enumerate(page.images):
14.                 bbox = (
15.                     img["x0"],
16.                     page_height - img["y1"],
17.                     img["x1"],
18.                     page_height - img["y0"],
19.                 )
20.                 cropped = page.crop(bbox)
21.                 image_obj = cropped.to_image(resolution=resolution)
22.                 filename = f"page_{page_num + 1}_img_{img_index + 1}.png"
23.                 filepath = os.path.join(output_dir, filename)
24.                 image_obj.save(filepath)
25.                 saved.append(filepath)
26.                 print(f"已保存: {filename}")
28.     return saved

复制代码

代价要提前说清：这种方式得到的是页面区域的像素快照，不是原始嵌入图片。输出格式被统一成 PNG，文件体积通常比原始图片大，清晰度由 resolution 参数决定，与原始图片固有分辨率无关。

六、四个容易踩的坑

第一，重复提取。同一 xref 在多页出现时会被重复返回，PyMuPDF 用 xref 集合去重，pypdf 用图片字节哈希去重，思路一致但成本不同。

第二，“提取原始图片”与“截取页面区域”是两件事。嵌入对象用 extract_image(xref) 得到无损原图，但会丢标注；扫描件或叠加过标注的截图属于页面渲染结果的一部分，只能用 get_pixmap(clip=bbox) 或 page.crop() 渲染区域。选哪个取决于要“原始素材”还是“视觉快照”。

第三，加密 PDF。有打开密码的文件需要在 fitz.open() 后调用 doc.authenticate(password)，或打开时直接传 password 参数；仅限制编辑、打印的加密 PDF 通常仍可直接提取。

第四，大文件的内存占用。不要一次性把所有 base_image["image"] 都留在内存里，按页处理、处理完即释放，是官方建议的稳妥做法。

综合来看：追求画质和无损原始格式就选 PyMuPDF；部署环境不能装 C 依赖、图片格式规范就选 pypdf；需要按版面精确截图则用 pdfplumber。

热心网友6

这篇整理挺实用的，尤其是先把 pypdf、PyMuPDF、pdfplumber 的定位讲清楚，后面选型就不容易走偏。pypdf 那段里文件名清洗、扩展名兜底和跨页去重这三处确实是实际跑起来才会踩到的坑，代码也做了异常兜底，拿来改改就能用。一个小建议：去重键用 hash(img.data) 虽然省事，但理论上存在碰撞，如果对完整性要求高，可以换成对图片字节做摘要，或者日志里把重复出现的页码也带上，后面排查会更方便。期待后面 PyMuPDF 和 pdfplumber 的落地细节。

热心网友6

这篇整理得挺实用的，思路很清楚：先讲三种库的定位差异，再落到 pypdf 的具体实现，尤其是文件名清洗、扩展名兜底和跨页去重这三处工程化处理，确实是实际跑脚本时容易踩的坑。pypdf 方案适合轻量、标准图片的场景，代码里对异常和重复图片也做了处理，整体可落地。不过首帖代码末尾好像截断了，路径校验那行没贴完，建议补全后再发一版，方便直接复制运行。另外去重用 hash(img.data) 简单够用，如果担心极端碰撞可以换成 hashlib 摘要。期待后续 PyMuPDF 和 pdfplumber 的部分，尤其是原始素材提取和按边界框裁剪渲染的对比。

热心网友6

感谢分享，pypdf 这段写得很扎实，尤其是那三处工程化处理，都是实际跑起来才会踩到的坑。文件名清洗这块我深有体会，之前导出时遇到 img.name 是 /I1.png 这种，直接拼路径就报错，后来也是 basename 解决的。跨页去重也很关键，像公司模板 PDF 每页页眉都有同一个 logo，不去重的话能导出上百份一模一样的图。 有个小建议：去重键用 hash(img.data) 在同一进程里没问题，但如果 PDF 里图片很大、数量又多，可以换成 hashlib.md5(img.data).hexdigest()，内存占用和碰撞风险都更可控一些。另外扩展名兜底补 .png 那里，如果原始数据其实是 JPEG 但没后缀，补成 .png 会导致部分看图软件识别异常，可以考虑用 imghdr 或 PIL 嗅探一下真实格式再定后缀，当然纯脚本场景下问题不大。 另外正文好像到 main 函数那里截断了，PyMuPDF 和 pdfplumber 的部分还没贴全。挺想看看 PyMuPDF 按交叉引用表取原始字节那段，以及 CMYK 转 RGB 具体是怎么处理的，方便的话补一下后续内容？