Python GUI 案例：从word/pdf文档中提取图片

大家好，欢迎来到 Crossin的编程教室 ！

以前我们在文章中介绍过 excel/word/pdf 等文档的读写，也介绍过一些 python GUI 框架的开发案例。今天我们将两者结合在一起，讲解如何用Python提取PDF与Word中图片，并结合GUI框架PysimpleGUI，做一个多文件图片提取软件，效果如下：

本文主要将分为以下部分讲解：

• PDF、Word 文件图片提取
• 构造图片提取器GUI框架
• 整合代码并打包

主要涉及的Python模块有：

• PIL
• PySimpleGUI
• re
• win32
• os
• zipfile

• fitz

首先使用pip安装相关依赖模块

pip install pillow   #这是对模块PTL的安装
pip install pypiwin32    #这是对win32的安装
pip install os 
pip install zipfile
pip install PyMuPDF  #这是引用fitz对PDF操作的包
pip install PySimpleGui

读取Excel有两种方法。一种是将后缀名改成.zip格式进行提取，一种是通过Pillow模块对Excel进行图片复制与保存。Word提取图片方法和通过.zip提取方法类似，PDF提取图片方法要用到专门的模块。这篇文章里只对PDF和Word的提取方法展开讲解，Excel 的读取方法类似，可参见代码。

1.1 提取Word图片思路

和以前一样，我们先看代码再讲解

path = values["lujing"]  
count = 1
for file in os.listdir(path):
    new_file = file.replace(".docx",".zip")
    os.rename(os.path.join(path,file),os.path.join(path,new_file))
    count+=1      
    number = 0
    craterDir = values["lujing"] + '/'  # 存放zip文件的文件夹路径
    saveDir = values["lujing"] + '/' # 存放图片的路径
    list_dir = os.listdir(craterDir) # 获取所有的zip文件名
    for i in range(len(list_dir)):
        if 'zip' not in list_dir[i]:
            list_dir[i] = ''
            while '' in list_dir:
                list_dir.remove('')                            
                for zip_name in list_dir:
                    # 默认模式r,读
                    azip = zipfile.ZipFile(craterDir + zip_name)
                    # 返回所有文件夹和文件
                    namelist = (azip.namelist())
                    for idx in range(0,len(namelist)):
                        if namelist[idx][:11] == 'word/media/':#图片是在这个路径下
                            img_name = saveDir + str(number)+'.jpg'
                            f = azip.open(namelist[idx])
                            img = Image.open(f)
                            img = img.convert("RGB")
                            img.save(img_name,"JPEG")
                            number += 1
                            azip.close()  #关闭文件，必须有，释放内存

这里的代码和通过.zip方式提取Excel图片的代码思路是一样的。

“

path = values["lujing"]这里是读取GUI中键为**“lujing”**的值，也即文件存储位置，用于os模块读取与操作。

new_file = file.replace(".docx",".zip")是替换后缀名，如果是Excel的话，就把.docx改成.xlsx或xls。

craterDir = values["lujing"] + '/'  这是存放zip文件的文件夹路径，注意这里读取到的键为“lujing”的值后要在后面添加/。

saveDir = values["lujing"] + '/'  这是存放图片的路径，同理，和上面一样加个/号。

”

最后说一下与Excel提取相比，最大的不同是下面的代码

if namelist[idx][:11] == 'word/media/':

中括号里面的值不一样。很好理解，我们可以打印namelist[idx]，可以发现在索引0到10是'word/media/'所在位置。而在Excel中是前9位。

1.2 提取PDF图片思路

相关代码如下：

def pdf2pic(path, pic_path):
    doc = fitz.open(path)
    nums = doc._getXrefLength()
    imgcount = 0 
    for i in range(1, nums):
        text = doc._getXrefString(i)
        if ('Width 2550' in text) and ('Height 3300' in text) or ('thumbnail' in text):
            continue
            checkXO = r"/Type(?= */XObject)"
            checkIM = r"/Subtype(?= */Image)"
            isXObject = re.search(checkXO, text)
            isImage = re.search(checkIM, text)
            if not isXObject or not isImage:
                continue
                imgcount += 1
                pix = fitz.Pixmap(doc, i)
                img_name = "img{}.png".format(imgcount)
                if pix.n 5:
                    try:
                        pix.writePNG(os.path.join(pic_path, img_name))
                        pix = None
                        except:
                            pix0 = fitz.Pixmap(fitz.csRGB, pix)
                            pix0.writePNG(os.path.join(pic_path, img_name))
                            pix0 = None
if __name__ == '__main__':
    path = values["lujing"]+ '/' + values["wenjian"]
    pic_path = values["lujing"]
    pdf2pic(path, pic_path)

先说一下这段代码的思路吧，由于PDF不能像Excel和Word一样改后缀名进行提取，故这里运用python的一个模块PyMuPDF，过程如下

• 读取PDF并遍历每一页
• 筛选无用的元素并用正则表达式获取图片
• 生成并保存图片

fitz.open(path)是打开PDF文件夹，这里的path是需要在GUI界面中获取用户的文件存放路径与文件名的。

for i in range(1, nums):
    text = doc._getXrefString(i)

这是我们的第一步读取并遍历，将读取到的字符串内容放入到text中

if ('Width 2550' in text) and ('Height 3300' in text) or ('thumbnail' in text):
 continue

由于PDF每一页的背景就是一张图片，故我们可以通过宽高来寻找这些背景图片并用continue把他们剔除。

checkXO = r"/Type(?= */XObject)"



    
checkIM = r"/Subtype(?= */Image)"
isXObject = re.search(checkXO, text)
isImage = re.search(checkIM, text)
if not isXObject or not isImage:
    continue

我们通过实验发现图片所对应的字符串在checkxo与checkIM这两个中。故用正则表达式在text中进行索引提取，用到了re模块的search函数。如果不是这两个字符串就用continue剔除。

pix = fitz.Pixmap(doc, i)
img_name = "img{}.png".format(imgcount)
if pix.n 5:
 try:
  pix.writePNG(os.path.join(pic_path, img_name))
  pix = None
 except:
  pix0 = fitz.Pixmap(fitz.csRGB, pix)
  pix0.writePNG(os.path.join(pic_path, img_name))
  pix0 = None

这是最后一步生成与保存图片

“

pix = fitz.Pixmap(doc, i)是生成图像语句，doc代表PDF文件，i代表遍历每个图片对象的索引值。

img_name = "img{}.png".format(imgcount)是设置图像名语句，用提取到的图片的序列号作为命名格式。

”

而后if嵌套try那几行代码是保存图像语句。如果pix.n<5,可以直接存为PNG，否者将进行RGB变换在保存。

最后，传递参数，调用函数。

完成了图片的提取，接下来就是 GUI 的构建了。

先看完整代码：

import PySimpleGUI as sg
sg.ChangeLookAndFeel('GreenTan')   #更换主题
menu_def = [['&使用说明', ['&注意']]]
layout = [
    [sg.Menu(menu_def, tearoff=True)],
    [sg.Frame(layout=[
    [sg.Radio('Excel1', "RADIO1",size=(10,1),key="Excel1"),  sg.Radio('Word', "RADIO1",default=True,key="Word")],
    [sg.Radio('Excel2', "RADIO1", enable_events=True, size=(10,1),key="Excel2"), sg.Radio('PDF', "RADIO1",key="PDF")]], title='选项',title_color='red', relief=sg.RELIEF_SUNKEN, tooltip='Use these to set flags')],
    [sg.Text('文件位置', size=(8, 1), auto_size_text=False, justification='right'),
     sg.InputText(enable_events=True,key="lujing"), sg.FolderBrowse()],
    [sg.Text('文件名字', size=(8, 1), justification='right'),
     sg.InputText(enable_events=True,key="wenjian")],
    [sg.Submit(tooltip='文件'), sg.Cancel()]]

window = sg.Window('图片提取器', layout, default_element_size=(40, 1


    
), grab_anywhere=False)
while True:
    event, values = window.read()
    if event == "Submit":
        if values["Excel2"] == True:
   '''
   事件绑定
   '''
            sg.Popup("提取成功")

        if values["Excel1"] == True:
   '''
   事件绑定
   '''
            sg.Popup("提取成功")
        if values["Word"] == True:
   '''
   事件绑定
   '''
            sg.Popup("提取成功") 
        if values["PDF"] == True:
   '''
   事件绑定
   '''
            sg.Popup("提取成功")
    if event == "Cancel" or event == sg.WIN_CLOSED:
        break    
    if event == "注意":
        sg.Popup("作用讲解：",
                 "Excel1 ：解析选定位置中所有的Excel文件，无需在文件名处填写",
                 "Excel2 ：解析选定位置中单个指定的Excel文件，需在文件名处填写",
                 "Word ：  解析选定位置中单个指定的docx结尾的文件，无需在文件名处填写",
                 "PDF ：   解析选定位置中单个指定的PDF文件，需在文件名处填写")
window.close()           

Import   Create some widgets Create the window Create the event loop

当然，做GUI之前就是先想清楚自己的图形交互页面长什么样，像我就是现在纸上画一个大概，这样更有益于制作页面。

第一步先引用模块

第二步添加元素（小部件）到容器（layout）中，这里先介绍一下用到的部件：

“

Menu：顾名思义，这是菜单栏，每个GUI都必带一个菜单栏来提示使用者该如何做，我们这里用了menu_def这个布局来完成菜单的设置。

Frame：这个跟layout布局完全相同，工作方式也一样，他们都是容器元素。可以看到“选项”那里是一个凹槽的正方形，里面装有四个选项，作用就是这个。注意，&这个符号的作用是创建相同类型的菜单，这里只有注意事项这一个菜单，故可以不用管，读者如果想添加同样的菜单的话必须添加一个& 。tearoff=True这个参数是菜单栏中每个子选项上面加虚线。

Radio：单选按钮。我们只可以在同样的id上选择一个选项。id就是指代码中的“ra-dio1”。其中每个radio函数的第一个参数是文本内容，这里就是我们要进行提取的4个文件格式。而“size”就是位置，每行的第一个设同样的参数（10，1）。最后就是我们进行事件绑定的键，其中“enable_events”可以不写因为我们只是调用它而不用去对它产生事件。

Text：之前有讲是不能改的正文内容。同样这里设置的位置参数（8，1），justification='right'有点类似我们平常用word那个向右对齐。

InputText：需要用户输入的正文内容。这里有两个需要我们填写的地方：文件位置和文件名。这里需要设置键，因为在后面事件绑定中我们需要调用文件存储路径和文件名，在文中上半部分有提到过。

FolderBrowse：简易的打开文件路径操作，不用你去复制路径。

Submit：确定按钮，这里绑定为执行提取文档图片事件

Cancel：退出主程序按钮。

”

第三步就是创建窗口来容纳这些元素布置。

第四步创建事件循环，可以看到代码，都是一样的套路：当用户按下submit按钮时系统将进行判断你按的是哪个单选按钮，进而进行相对应的事件执行。当你按下cancel或者×时，就是退出主程序。当你按菜单中的注意时，就会弹出一个对话框告诉你这个系统怎么用。

在事件循环中，我们用values[]的布尔值来判断我们选的是哪个单选按钮，有读者疑问为什么不用event=，因为我们在第一个if当中用了event所以第二个if当中需要换一个判断方法。

至此，GUI部分就搞定了！感兴趣的读者可以继续在上面添加功能。

我们将完整代码整合在一起，后安装pyinstaller模块

pip install pyinstaller

如果你的上述项目代码文件命名为：photo.py。那么你要用下面命令进行打包

pyinstaller photo.py

最后打包成功之后，你会在py文件所在文件夹看到一个dist的子文件夹。进去之后，找到pachong.exe文件并运行它即可。

注意，文件夹里附带了很多文件，你可以删除它。当然，如果嫌麻烦就直接从photo.py文件用Python执行。

本文代码：

如果文章对你有帮助，欢迎转发/点赞/收藏~

作者：GUI工作组

_往期文章推荐 _