如何用Python从PDF提取带页码、页面坐标信息的无失真图片

核心思路 #

直接提取PDF内嵌的原始图片对象，不做整页渲染截图，正确处理图片的透明蒙版、色彩空间转换逻辑，对齐Java PDFBox的提取效果，同时保留页码、页面坐标元数据，完全匹配指定命名规则，规避现有开源库常见的黑底、画质损失、文字覆盖问题。

前置依赖安装 #

执行以下命令安装需要的依赖包：

pip install pdfplumber pillow

可直接运行的实现代码 #

import pdfplumber
from PIL import Image
import io
import os

def extract_pdf_images(pdf_path: str, output_dir: str):
    # 输出目录不存在则创建
    os.makedirs(output_dir, exist_ok=True)
    with pdfplumber.open(pdf_path) as pdf:
        # 遍历所有页面，页码从1开始计数
        for page_num, page in enumerate(pdf.pages, start=1):
            page_img_serial = 1
            # 遍历当前页所有内嵌图片对象
            for img_meta in page.images:
                try:
                    # 读取图片原始流数据
                    raw_stream = img_meta["stream"].get_data()
                    img = Image.open(io.BytesIO(raw_stream))

                    # 处理SMask透明蒙版，解决透明区域变黑的问题
                    if "SMask" in img_meta:
                        mask_stream = img_meta["SMask"].get_data()
                        alpha_mask = Image.open(io.BytesIO(mask_stream)).convert("L")
                        if img.mode != "RGBA":
                            img = img.convert("RGBA")
                        img.putalpha(alpha_mask)

                    # 处理CMYK色彩空间转RGB，避免色偏、黑底异常
                    if img.mode == "CMYK":
                        img = img.convert("RGB")

                    # 按指定规则生成文件名，坐标保留2位小数避免文件名过长
                    # 注：如果需要PDF原生左下角原点的Y坐标，替换为img_meta["y0"]、img_meta["y1"]即可
                    x1 = round(img_meta["x0"], 2)
                    x2 = round(img_meta["x1"], 2)
                    y1 = round(img_meta["top"], 2)
                    y2 = round(img_meta["bottom"], 2)
                    file_name = f"image_{page_num}_{page_img_serial}_{x1}_{x2}__{y1}_{y2}.png"

                    # 保存为PNG格式
                    img.save(os.path.join(output_dir, file_name), format="PNG")
                    page_img_serial += 1
                except Exception:
                    # 跳过损坏、无法解析的图片流，对齐PDFBox的容错逻辑
                    page_img_serial += 1
                    continue

# 调用示例
if __name__ == "__main__":
    extract_pdf_images("target.pdf", "./extracted_images")

关键问题说明 #

• 拒绝渲染截图方案：整页渲染后裁剪的方式本质是对页面做二次栅格化，不仅会压缩原图分辨率导致画质下降，还会将同坐标位置的文字、矢量线条一并截取，必然出现文字覆盖图片的问题，本方案直接提取PDF内嵌的原始图片资源，不存在该问题。
• 解决黑底、文字遮挡异常：之前测试pdfminer.six、PyMuPDF出现的黑底问题，核心原因是这类库默认没有正确处理图片附带的SMask透明通道，也没有做CMYK到RGB的正确色彩转换，透明区域被默认填充为黑色；本方案专门补全了这部分处理逻辑，提取效果和Java版PDFBox一致，不会出现这类异常。
• 坐标适配：代码默认使用左上角为原点的页面坐标（和多数PDF预览工具的坐标体系对齐），如果需要使用PDF标准的左下角原点坐标，只需将文件名生成部分的y1、y2替换为img_meta["y0"]、img_meta["y1"]即可。

内容的提问来源于stack exchange，提问作者peter.murray.rust