企业官网建设流程全解析

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：

1. 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。
2. 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。
3. 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：

1. 基于 PDF 对象结构解析，提取页面内的图片对象。
2. 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：

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：

1. 获取 PDF 页面对象。
2. 获取页面中的图片引用列表。
3. 读取原始图片二进制数据。
4. 访问图片扩展名、宽高和色彩空间。
5. 直接把图片保存为 PNG / JPEG 文件。

如果图片对象内部以加密的 DCTDecode（JPEG）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 Pillow：

pip 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(full=True)方法。

3.3 页面图片枚举方法

images = page.get_images(full=True)

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(full=True)): 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(dpi=300) 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_width=20, min_height=20): """ 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_ok=True) 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(full=True) 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 = f"page{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_indices=None, dpi=200): """ 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_ok=True) 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(dpi=dpi) output_path = os.path.join(output_dir, f"page_{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, dpi=200)

4.3 脚本逻辑说明

代码并不复杂，但有几点值得展开：

1. get_images(full=True)的full=True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。

2. 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。

3. 代码中的“过滤小图片”条件min_width=20和min_height=20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。

4. 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_ok=True) 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(full=True) 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 = f"p{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：

1. 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。
2. 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'

6.2 代码运行后没有提取到任何图片

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(full=True): 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：

1. 先执行doc.builder，使用doc.save("new.pdf")另存为新的 PDF，再做提取。
2. 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(full=True) 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：

1. 统计整个 PDF 中每页平均图片对象数量。
2. 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。
3. 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, password=None): 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_dir="output", min_width=20, min_height=20): output_path = Path(output_dir) output_path.mkdir(parents=True, exist_ok=True) 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(full=True) for img_idx, img in enumerate(image_list): xref = img[0] try: base = self.doc.extract_image(xref) except Exception as e: print(f"Error 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 / f"page{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_dir="output_pages", dpi=150, page_indices=None): output_path = Path(output_dir) output_path.mkdir(parents=True, exist_ok=True) 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(dpi=dpi) file_path = output_path / f"page_{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", dpi=150) 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：

1. 使用环境变量获取密码。
2. 只允许认证只读权限，不要用来尝试破解或绕过权限。
3. 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( level=logging.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(full=True): 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_root="extracted"): 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(parents=True, exist_ok=True) for page_idx in range(doc.page_count): page = doc.load_page(page_idx) for img_idx, img in enumerate(page.get_images(full=True)): xref = img[0] base = doc.extract_image(xref) ext = base["ext"] file_path = out_subdir / f"p{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。