Python提取PDF图片实战：PyMuPDF批量处理高清原图教程

在日常办公和数据分析中PDF 文件里不仅有文字还经常包含大量插图、截图、产品图、图表和扫描件。如果只需要其中的某张图片很多人的第一反应是把整个 PDF 转成图片后手动截图或者使用在线“PDF 图片提取工具”。但这样不仅效率低而且可能涉及文件上传隐私问题图片质量也会被压缩。更重要的是当需要批量处理几十、上百个 PDF 时手工操作几乎不可行。本文围绕“python提取PDF中的图片”这一主题给出从方案选型、环境配置、代码实现到业务落地的完整教程。你将学会用 Python 实现“读取 PDF 页面 - 定位内部图片对象 - 保存为高质量图片文件”的自动化流程也会了解不同 PDF 结构文本型 PDF 与扫描版 PDF的区别以及为什么有些 PDF 无论如何都无法用简单方法提取出清晰的图片。无论你是刚接触 Python 的初学者还是已经在做文档处理、知识管理、自动化办公的开发者这篇文章都可以作为一份可直接取用的工具教程。1. 提取 PDF 图片的核心思路与概念1.1 为什么直接“截图”不可取PDF 本质上是一个以“页面”为单位的文档容器页面上的文字、线条、图片都被组织成不同的内容对象。当我们用 PDF 阅读器查看时看到的是渲染后的结果而阅读器通常并不提供“导出原图”功能。很多人于是采取以下替代方案放大 PDF 后用系统截图工具截图得到的图片分辨率受屏幕限制。使用「打印 - 另存为 PNG」等方式把整个页面输出成图片再二次裁剪。使用在线 PDF 图片提取网站需要上传文件批量有限制。这些方法都绕了一步弯路图片对象本来就在 PDF 内部只是没有暴露出来。我们需要用编程方式直接读取 PDF 内部结构把“被嵌在页面里的图片”原样或者高质量地还原出来。1.2 文本型 PDF 与扫描版 PDF 的本质区别在开始写代码前必须先区分两类 PDF文本型/数字型 PDF由 Word、LaTeX、排版软件或代码直接生成内容由文字编码和图片对象组成。图片在 PDF 中往往以 JPEG、JPX、CCITT、FLATE 等编码方式存储可以被解析并还原。扫描版/图像型 PDF本质上是把每一页都保存成一张大照片再套一个 PDF 外壳。页面里没有“文字对象”整页内容就是一张图片。这类 PDF 用解析对象的方式提取图片得到的往往是“整页图片”因为原图就是整页扫描图。因此下面的两种策略分别适用于不同类型基于 PDF 对象结构解析提取页面内的图片对象。将页面渲染成高清位图再保存为图片。如果你想提取的是 PDF 中“包含的插图文件”优先使用方法 1如果 PDF 本身是扫描件或者页面是矢量化排版没有独立图片对象就需要使用方法 2把整页渲染成图。1.3 常见第三方库选择Python 生态中与 PDF 相关的库很多但在“提取图片”这个需求上最常用、踩坑最少的是下面几个库名主要用途优势局限PyMuPDFfitzPDF 解析、渲染、提取文本与图片速度快API 简单图片提取质量可控安装包较大依赖 MuPDFpdfplumber提取文本、表格文本和表格解析方便官方图片提取能力较弱不适合单独用来提图PyPDF2 / pypdfPDF 合并、拆分、页面操作轻量图片提取不是其核心能力且 PyPDF2 维护速度较慢fitz Pillow 组合图像处理和保存可把原生图像数据交 PIL 转换统一格式需要额外安装 Pillow综合性能和易用性推荐以 PyMuPDF 为主。它的接口名fitz是历史遗留实质就是封装了 MuPDF C 库。用它可以做到获取 PDF 页面对象。获取页面中的图片引用列表。读取原始图片二进制数据。访问图片扩展名、宽高和色彩空间。直接把图片保存为 PNG / JPEG 文件。如果图片对象内部以加密的 DCTDecodeJPEG格式存储我们还可以想办法拿到接近原始质量的 JPEG 数据避免二次压缩。2. 环境准备与版本说明2.1 安装 Python如果你的电脑还没有安装 Python请先安装 Python 3.8 及以上版本。更推荐 3.9 或 3.10、3.11兼容性更好。安装完成后可以在命令行 / 终端中验证python --version如果显示类似Python 3.11.2说明环境正常。2.2 安装关键依赖库本文的核心依赖pip install PyMuPDF安装完成后你可能会看到库名标记为PyMuPDF但在代码中导入时使用的是fitz。如果后续需要扩展功能比如把图片转成 WebP、统一调整图片尺寸建议同时安装 Pillowpip install Pillow使用国内网络时为了下载速度更快可以指定镜像pip install PyMuPDF -i https://pypi.tuna.tsinghua.edu.cn/simple但本文的示例是在常规 pip 环境下完成的镜像配置不影响代码逻辑。2.3 验证安装是否成功在命令行输入python进入交互环境执行python然后输入import fitz print(fitz.__doc__)如果能够输出 PyMuPDF 版本相关信息而不是报ModuleNotFoundError说明安装成功。常见报错原因Python 版本过旧。使用虚拟环境时没有把库安装在当前项目中。PyMuPDF 安装过程中网络中断需要重新执行 pip install。3. PyMuPDF 核心 API 拆解3.1 打开 PDF 文档使用fitz.open()import fitz pdf_path sample.pdf doc fitz.open(pdf_path) print(f页数{doc.page_count})需要说明的是fitz.open()默认以只读方式打开返回一个Document对象。这个对象包含页面列表、元数据、书签等信息。如果 PDF 有密码doc fitz.open(pdf_path) if doc.needs_pass: doc.authenticate(your_password)3.2 获取页面对象通过doc.load_page(index)或doc[index]获取第 index 页。page doc[0] # 第一页page对象是理解整个提取流程的核心。后续获取图片都要通过它来调用get_images(fullTrue)方法。3.3 页面图片枚举方法images page.get_images(fullTrue)get_images()返回一个元组列表。每隔元组中的第一个元素是 PDF 文档级“xref”对象的编号。我们可以通过doc.extract_image(xref)把具体图片数据取出来。3.4 原始图片数据提取for img_index, img in enumerate(page.get_images(fullTrue)): xref img[0] base_image doc.extract_image(xref) image_bytes base_image[image] image_ext base_image[ext] image_width base_image[width] image_height base_image[height]extract_image返回一个字典常见键包括image图片二进制数据。ext图片扩展名例如jpeg、png、bmp、jpx。width图片宽度。height图片高度。colorspace颜色空间。xref对象编号。3.5 页面渲染成图片如果想另存页面为图片可以使用pix page.get_pixmap(dpi300) pix.save(page_1.png)dpi参数控制渲染清晰度常用 150、300、600。该方法适用于扫描版 PDF或者当 PDF 页面中的图片被矢量图嵌入、无法通过图片对象枚举时作为兜底方案。4. 实战Python 批量提取 PDF 中的图片为了让教程真正可用下面提供一个完整工具脚本。这个脚本可以接收一个 PDF 文件自动提取所有页面中出现的图片并保存到指定目录。同时会过滤掉太小的“装饰性”图片也可以按需求开启“扫描件整页另存”模式。4.1 创建项目结构建议创建以下目录结构pdf_image_extractor/ ├── pdfs/ # 存放待处理的 PDF ├── output_images/ # 提取出的图片保存目录 ├── extract_images.py # 主脚本4.2 编写核心脚本下面是完整的extract_images.py# -*- coding: utf-8 -*- PDF 图片提取脚本 依赖: pip install PyMuPDF import os import fitz def extract_images_from_pdf(pdf_path, output_dir, min_width20, min_height20): 从 PDF 中提取所有页面的图片对象。 Args: pdf_path (str): PDF 文件路径 output_dir (str): 图片输出目录 min_width (int): 过滤掉小于该宽度的图片避免输出大量小图标 min_height (int): 过滤掉小于该高度的图片 Returns: list: 保存成功的图片文件路径列表 if not os.path.exists(pdf_path): print(f[错误] 文件不存在: {pdf_path}) return [] os.makedirs(output_dir, exist_okTrue) doc fitz.open(pdf_path) saved_files [] # 遍历每一页 for page_index in range(doc.page_count): page doc.load_page(page_index) # 获取当前页面的图片引用 image_list page.get_images(fullTrue) if not image_list: print(f第 {page_index 1} 页未发现独立图片对象) continue print(f第 {page_index 1} 页发现 {len(image_list)} 个图片对象) for img_index, img in enumerate(image_list): xref img[0] try: base_image doc.extract_image(xref) except Exception as e: print(f 提取图片对象 XREF{xref} 失败: {e}) continue image_bytes base_image[image] image_ext base_image[ext] width base_image[width] height base_image[height] # 过滤小尺寸图片 if width min_width or height min_height: print(f 跳过小图片: xref{xref}, {width}x{height}) continue # 生成不带后缀的图片文件名 file_name fpage{page_index 1}_img{img_index 1}.{image_ext} file_path os.path.join(output_dir, file_name) with open(file_path, wb) as f: f.write(image_bytes) print(f 已保存: {file_path} ({width}x{height}, {len(image_bytes)} bytes)) saved_files.append(file_path) doc.close() return saved_files def extract_pdf_page_as_image(pdf_path, output_dir, page_indicesNone, dpi200): 把整个 PDF 页面渲染成一张图片。 适合扫描版 PDF、整页是图片的 PDF。 Args: pdf_path (str): PDF 文件路径 output_dir (str): 图片输出目录 page_indices (list[int]): 需要渲染的页码列表从 0 开始默认所有页 dpi (int): 渲染 DPI越大越清晰文件也越大 Returns: list: 保存成功的图片文件路径列表 if not os.path.exists(pdf_path): print(f[错误] 文件不存在: {pdf_path}) return [] os.makedirs(output_dir, exist_okTrue) doc fitz.open(pdf_path) saved_files [] if page_indices is None: page_indices list(range(doc.page_count)) for page_index in page_indices: if page_index doc.page_count: print(f警告页码 {page_index} 超出范围跳过) continue page doc.load_page(page_index) pix page.get_pixmap(dpidpi) output_path os.path.join(output_dir, fpage_{page_index 1}.png) pix.save(output_path) saved_files.append(output_path) print(f页面 {page_index 1} 已渲染为 {output_path}) doc.close() return saved_files if __name__ __main__: # 待处理的 PDF pdf_file pdfs/sample.pdf # 方式一提取页面中的图片对象 print( * 40) print(开始提取 PDF 内嵌图片) print( * 40) save_dir output_images/embedded extract_images_from_pdf(pdf_file, save_dir) # 方式二如果 PDF 是扫描件可以渲染整页 print(\n * 40) print(开始将 PDF 页面渲染为图片) print( * 40) page_dir output_images/pages extract_pdf_page_as_image(pdf_file, page_dir, dpi200)4.3 脚本逻辑说明代码并不复杂但有几点值得展开get_images(fullTrue)的fullTrue参数会返回每个图片对象的完整信息。如果写False返回的元素会更少其中仍包含 xref 信息但部分场景下可能需要多次调用才能拿到全部数据。建议始终设为True。doc.extract_image(xref)的调用位置是在文档对象上而不是页面对象上。因为图片在 PDF 中是全局资源xref 是它们在文档级对象表中的编号。同一张图片可能被多个页面引用提取一次即可。代码中的“过滤小图片”条件min_width20和min_height20是经验值。PDF 中常有很多 1x1 像素的占位符图片如果不做过滤输出目录会混入大量无意义文件。图片扩展名不一定是png。如果原 PDF 使用 JPEG 压缩则image_ext是jpeg如果使用 JBIG2则可能是jb2。我们需要动态生成文件名。4.4 运行脚本在项目根目录执行python extract_images.py假设pdfs/sample.pdf是一个 3 页文档且每页有若干图片运行效果大致如下 开始提取 PDF 内嵌图片 第 1 页发现 3 个图片对象 已保存: output_images/embedded/page1_img1.jpeg (1200x800, 182340 bytes) 已保存: output_images/embedded/page1_img2.png (640x480, 51233 bytes) 已保存: output_images/embedded/page1_img3.jpeg (96x96, 2310 bytes) 第 2 页发现 1 个图片对象 已保存: output_images/embedded/page2_img1.jpeg (800x600, 92012 bytes) 第 3 页未发现独立图片对象第 3 页没有图片对象可能是文字页也可能是内嵌矢量图无法用图片对象方式提取如果确认第 3 页有图形视觉内容可以用extract_pdf_page_as_image渲染整页。4.5 保存结果与质量讨论提取出来的文件大小和原始图片非常接近。由于extract_image返回的是 PDF 内部存储的原始图像数据我们只是把它以字节流形式重新写到磁盘因此基本不存在“二次压缩损失”。但需要注意两点如果 PDF 中图片经过裁剪矩阵或旋转等显示处理extract_image得到的是原始图片对象不一定会应用裁剪效果。也就是说提取出来的可能是 PDF 中嵌入的“完整图片”而不是你在页面上看到的最小显示区域。如果图片是“蒙版叠加”形式比如透明背景 PNG 使用了 SMask软掩膜用最简单的方式提取可能只得到原始图像却丢失了透明度信息。遇到这种情况PyMuPDF 的extract_image在部分版本中会返回包含 alpha 通道的图像但为了保险建议对输出图片做遮罩合并处理。不过多数办公场景下直接保存已经够用。5. 完整案例提取 PDF 中的流程图和产品截图假设你有一个几十页的产品说明书 PDF每一页都穿插了大量产品截图和架构流程图。你想快速把这些图整理成素材库。下面用一个具体的调用示例来说明如何“只提取符合要求的图片”。5.1 需求假设图片最小宽度 200px最小高度 200px。只处理第 2、3、5、10 页的图片。输出文件名包含原页码。忽略页面顶部 logo 等小图。修改后的调用如下import fitz import os pdf_path 产品说明书.pdf output_dir extract_imgs os.makedirs(output_dir, exist_okTrue) target_pages [1, 2, 4, 9] # 页码索引从 0 开始即第2、3、5、10页 doc fitz.open(pdf_path) for page_idx in target_pages: if page_idx doc.page_count: continue page doc.load_page(page_idx) images page.get_images(fullTrue) for i, img in enumerate(images): xref img[0] im doc.extract_image(xref) ext im[ext] w im[width] h im[height] if w 200 or h 200: print(f跳过小图: xref{xref}, 尺寸{w}x{h}) continue file_name fp{page_idx 1}_{i 1}.{ext} file_path os.path.join(output_dir, file_name) with open(file_path, wb) as f: f.write(im[image]) print(f已保存: {file_path}) doc.close()这段代码相当于上面脚本的一个场景化变体。当你只需要特定页面时可以用循环页号代替全篇盲扫。5.2 对输出图片质量不满意时怎么做“质量不满意”通常有两种含义图片太小。因为原始 PDF 中嵌入的图片分辨率本身就不高提取出来的原图当然无法超越原始设计。此时可以尝试使用get_pixmap()对区域做放大渲染但效果提升有限因为如果原图是模糊的放大也不会有细节。图片有浅色背景或格式需要统一。这时可以进一步使用 Pillow 做后处理比如转换成 PNG、白底铺平、压缩体积、裁剪白边。后处理示例from PIL import Image # 将提取出的 JPEG 重新保存为 PNG并做简单白底合成 with Image.open(p1_1.jpeg) as img: rgba img.convert(RGBA) background Image.new(RGBA, rgba.size, (255, 255, 255, 255)) combined Image.alpha_composite(background, rgba) combined.convert(RGB).save(p1_1_processed.png)不过要看你的用途如果只是想保存原图直接保留原始格式即可没必要做格式转换。6. 常见问题与排查思路6.1 ModuleNotFoundError: No module named fitz问题现象常见原因解决思路导入 fitz 报错没有安装 PyMuPDF执行 pip install PyMuPDF导入了 PyMuPDF 后仍然报错Python 环境混乱虚拟环境和全局环境不一致检查当前解释器位置在当前项目虚拟环境下重新安装依赖6.2 代码运行后没有提取到任何图片问题现象常见原因解决思路page.get_images(fullTrue) 返回空列表PDF 页面中的“图片”其实是矢量绘图没有独立图片对象使用 page.get_pixmap() 渲染页面PDF 是扫描版每页就是一张大图页面只有一个图片对象而不是多个若输出目录为空可能是 pymupdf 版本对图片对象获取异常直接将该页渲染成图片图片被转换成内嵌对象流PDF 压缩型结构特殊尝试升级 PyMuPDF或用 fitz.Tools() 辅助查看6.3 提取出的图片顺序和 PDF 显示顺序不一样get_images()返回的是页面资源对象列表顺序并不严格等同于屏幕上图片的视觉位置。当页面中图片重叠、被打散时按 xref 枚举的图片顺序可能与阅读顺序不一致这是 PDF 正常现象。如果需要按视觉位置排序可以进一步获取图片在页面上的显示矩形区域。进阶代码如下for img_info in page.get_images(fullTrue): xref img_info[0] rects page.get_image_rects(xref) # rects 是图片在页面上的位置列表可能多个位置引用同一对象 for r in rects: print(图片显示坐标, r)然后通过坐标排序就可以按照从上到下、从左到右等方式保存提取文件。6.4 提取图片报“cannot extract image with xref”错误原因一般是图片在 PDF 中使用某些特殊编码PyMuPDF 暂不支持直接抽取。另一种情况是 PDF 存在损坏或加密虽然页面能打开但对象读取失败。可尝试先执行doc.builder使用doc.save(new.pdf)另存为新的 PDF再做提取。如果 PDF 有加密确保已执行authenticate并且返回值为 1 或者非 0。6.5 大 PDF 处理内存溢出或运行过慢如果 PDF 页数非常多超过几百页且每页都有大量高清图片一次性遍历所有图片可能导致内存占用高。可以把处理拆成按页流式方式每次处理完一页即释放引用for page_index in range(doc.page_count): page doc.load_page(page_index) images page.get_images(fullTrue) for img in images: # 处理完以后不要再持有 image_bytes pass另外图片数据会占用内存保存文件后可主动把局部变量重置为None以便 GC 回收。7. 进阶方案区分 PDF 类型并自动选择提取策略在实际业务中我们往往无法保证所有 PDF 都是同一类型。如果是混合 PDF 库可以使用下面一个判断思路统计整个 PDF 中每页平均图片对象数量。如果页面数量较多但图片对象数量很少同时页面尺寸较大猜测量扫描 PDF。如果图片对象数量正常与页面内容一致则优先走extract_image提取。不过这个判断并不是绝对准确的更严谨的做法是根据 PDF 页面是否包含文本层来判断。判断一段 Page 是否包含文本page doc.load_page(0) text page.get_text(text) if text.strip(): print(该页包含文本极可能是文本型 PDF) else: print(该页没有文本层可能是扫描版 PDF)需要注意文本型 PDF 中的页面也可能只有图片标题没有正文因此“没有文本”不一定是扫描件。更稳的方式是综合“文本量 图片数量”来判断。如果页面高度接近 A4且页面是一张 2000x3000 的大图对象基本可以确定为扫描版。7.1 把提取逻辑封装成类如果需要在多个项目中复用可以把上面的逻辑封装成一个工具类import os import fitz from pathlib import Path class PDFImageExtractor: 基于 PyMuPDF 的 PDF 图片提取器 def __init__(self, pdf_path): self.pdf_path Path(pdf_path) self.doc None def open(self, passwordNone): self.doc fitz.open(str(self.pdf_path)) if password and self.doc.needs_pass: if not self.doc.authenticate(password): raise RuntimeError(PDF 密码认证失败) return self.doc def extract_embed_images(self, output_diroutput, min_width20, min_height20): output_path Path(output_dir) output_path.mkdir(parentsTrue, exist_okTrue) self._ensure_open() saved_files [] for page_idx in range(self.doc.page_count): page self.doc.load_page(page_idx) image_list page.get_images(fullTrue) for img_idx, img in enumerate(image_list): xref img[0] try: base self.doc.extract_image(xref) except Exception as e: print(fError extract xref {xref}: {e}) continue w, h base[width], base[height] if w min_width or h min_height: continue ext base[ext] file_path output_path / fpage{page_idx 1}_{img_idx 1}.{ext} with open(file_path, wb) as f: f.write(base[image]) saved_files.append(str(file_path)) return saved_files def render_pages(self, output_diroutput_pages, dpi150, page_indicesNone): output_path Path(output_dir) output_path.mkdir(parentsTrue, exist_okTrue) self._ensure_open() saved_files [] if page_indices is None: page_indices range(self.doc.page_count) for page_idx in page_indices: page self.doc.load_page(page_idx) pix page.get_pixmap(dpidpi) file_path output_path / fpage_{page_idx 1}.png pix.save(file_path) saved_files.append(str(file_path)) return saved_files def _ensure_open(self): if self.doc is None: self.open() def close(self): if self.doc: self.doc.close() self.doc None if __name__ __main__: extractor PDFImageExtractor(pdfs/混合文档.pdf) extractor.open() embedded_files extractor.extract_embed_images(output/embedded) page_files extractor.render_pages(output/pages, dpi150) print(f提取内嵌图片: {len(embedded_files)} 张) print(f渲染页面图片: {len(page_files)} 张) extractor.close()这样的封装更接近工程化用法实例化时只需传入 PDF 路径打开后可以分别调用提取方法最后关闭文档对象。8. 最佳实践与工程建议8.1 不要忽略 PDF 来源与权限问题PDF 可能是他人拥有版权的文档。如果你只是用于个人学习或工作内容整理完全没问题但如果要把提取出的图片用于商业发布、公开传播需要确认是否具有版权授权。在进行批量处理时请只在拥有合法使用权、且允许提取内容的 PDF 上操作。涉及涉密文件时选择离线脚本处理不要上传到在线工具。8.2 设定合理的过滤条件提取图片前先考虑清楚阈值。例如过滤小于 50x50 的图标避免目录混乱。过滤超大尺寸但颜色极少的纯色色块避免存储浪费。可统一把图片转换为 RGB 或 PNG便于后续入库。但是“过滤”不能太激进否则会漏掉重要截图。建议先默认只过滤1x1或2x2的占位图等观察一轮输出后再调整条件。8.3 处理加密 PDF 时的安全规范代码支持密码认证但生产环境中不应把明文密码硬编码在脚本里。建议使用环境变量获取密码。只允许认证只读权限不要用来尝试破解或绕过权限。如果提示“密码错误”不要暴力尝试。8.4 路径与命名规范推荐输出文件名包含原 PDF 文件名或标识。页面序号。图片序号。原图扩展名。避免只使用image1.png、1.jpg这种难以追踪的名字。下面是一个更强的命名方案from pathlib import Path pdf_stem Path(pdf_path).stem file_name f{pdf_stem}_p{page_idx 1}_{img_idx 1}.{ext}8.5 日志的重要性如果要对几百个 PDF 批量操作print()的输出不够用。使用logging记录每个文件的提取结果、失败原因、耗时import logging logging.basicConfig( levellogging.INFO, format%(asctime)s [%(levelname)s] %(message)s ) logger logging.getLogger(__name__) logger.info(开始处理 %s, pdf_path)这样出现问题后可以根据日志回溯哪一步失败。8.6 性能优化建议批量处理时逐个打开 PDF处理完立即close()。若一个 PDF 中有大量重复图片例如每一页都引用同一 logo可以用集合保存已经保存过的 xref跳过重复写入。如果对单页图片提取速度不满意可以尝试减少extract_image调用次数。但通常瓶颈在磁盘写入可以先统计总图片数量后才开始批量写。跳过重复 xref 示例processed_xrefs set() for page_idx in range(doc.page_count): page doc.load_page(page_idx) for img in page.get_images(fullTrue): xref img[0] if xref in processed_xrefs: continue processed_xrefs.add(xref) # 继续提取8.7 让脚本支持文件夹批量处理在实际工作里可能一次需要提取多个 PDF。可以在主函数中遍历文件夹from pathlib import Path import fitz def batch_extract_from_folder(folder_path, output_rootextracted): folder Path(folder_path) for pdf_file in folder.glob(*.pdf): print(f正在处理: {pdf_file.name}) doc fitz.open(pdf_file) out_subdir Path(output_root) / pdf_file.stem out_subdir.mkdir(parentsTrue, exist_okTrue) for page_idx in range(doc.page_count): page doc.load_page(page_idx) for img_idx, img in enumerate(page.get_images(fullTrue)): xref img[0] base doc.extract_image(xref) ext base[ext] file_path out_subdir / fp{page_idx 1}_{img_idx 1}.{ext} with open(file_path, wb) as f: f.write(base[image]) doc.close() print(批量处理完成)这个方法对文件夹下所有 PDF 进行同样处理如果某些 PDF 是扫描版仍然建议配合页面渲染模式使用。好一点的策略是先用判断逻辑识别扫描版把扫描版单独丢到另一个目录执行get_pixmap()。9. 结语掌握用 Python 提取 PDF 图片本质上就是理解 PDF 文档对象模型和图片对象的关系。通过 PyMuPDF 的get_images()与extract_image()方法可以在毫秒级内抽取出页面内嵌图片无需安装重型办公软件也不需要逐页打开 PDF 手动另存。同时针对扫描版 PDF 和无法提取图片对象的页面学会用get_pixmap()渲染整页作为兜底方案就能覆盖绝大多数文档图片提取需求。我建议你找一个平时收藏的 PDF亲手跑一遍上面的脚本看看输出结果是否符合预期。可以先从单一 PDF 开始观察提取的文件名和尺寸再调整过滤条件最后再扩展到批量文件夹。当你真的处理过一份包含几十张图片的复杂 PDF 后你会意识到“PDF 提取图片”这件事完全可以被脚本自动化而且适合嵌入到文档管理系统、内容审核工具或自动化办公流程中。如果本文对你有帮助可以收藏备用。后面遇到多页扫描件时建议重新阅读第 4 节和第 6 节的判断逻辑用同样的思路处理即可。