如何用Python+Ghostscript将PDF直接解析为内存BMP图像数组 无需临时文件

核心思路是将Ghostscript的输出重定向到标准输出流，直接在Python中捕获二进制内容，完全省略磁盘IO步骤，实现方案如下：

1. 将Ghostscript的-sOutputFile参数值设置为-，代表将输出内容写入标准输出
2. 改用subprocess模块调用Ghostscript，直接捕获stdout的二进制流
3. 解析连续的BMP字节流，按BMP文件头中的长度字段拆分单页数据，直接从内存读取为numpy数组

示例实现代码：

import os
import subprocess
import numpy as np
from io import BytesIO
from PIL import Image

# 替换为你实际的宽高值
WIDTH = 1654
HEIGHT = 2339

def get_imgs_gs_in_memory(path_to_pdf):
    args = [
        'gs',
        '-sDEVICE=bmpgray',
        f'-g{WIDTH}x{HEIGHT}',
        '-r247x247',
        '-dNOPAUSE',
        '-dBATCH',
        '-dQUIET', # 关闭日志输出，减少额外开销
        '-sOutputFile=-', # 输出重定向到标准输出
        path_to_pdf
    ]
    # 执行命令并捕获二进制输出
    result = subprocess.run(args, capture_output=True, check=True)
    bmp_stream = result.stdout
    imgs = []
    offset = 0
    total_stream_len = len(bmp_stream)
    
    while offset < total_stream_len:
        # BMP头第2-5字节为小端序存储的单文件总长度
        single_bmp_size = int.from_bytes(bmp_stream[offset+2:offset+6], byteorder='little')
        # 切分单页BMP数据
        single_bmp_bytes = bmp_stream[offset:offset+single_bmp_size]
        # 从内存读取为numpy数组
        imgs.append(np.array(Image.open(BytesIO(single_bmp_bytes))))
        offset += single_bmp_size
    return imgs

不生效原因 #

-dNumRenderingThreads参数仅对Ghostscript的部分支持并行渲染的设备生效，你使用的bmpgray设备默认不支持该特性，且Ghostscript单文档的多线程渲染提升上限极低，通常不会超过2倍，性能收益有限。

优化建议 #

• 优先采用多进程拆分转换：先调用gs -dNOPAUSE -dBATCH -q -c "(${path_to_pdf}) run pdfpagecount = quit"获取PDF总页数，将总页数拆分为和CPU核心数匹配的页段，每个进程调用Ghostscript实例用-dFirstPage=xxx -dLastPage=xxx参数转换对应页段，最后合并结果，多核场景下性能比单进程提升3~8倍。
• 更换支持并行渲染的设备：如果要使用渲染多线程参数，可换用ppmraw设备，配合-dNumRenderingThreads={cpu_number}参数生效，读取原始像素数据后再自行整理为numpy数组，解析开销比BMP格式更低。
• 额外优化参数：添加-dUseCropBox避免渲染多余白边，添加-dBufferSpace=2000000000提升缓存空间降低IO次数，若允许降采样可添加-dDownScaleFactor=N参数，N为降采样倍数，可大幅缩短渲染时间。

内容的提问来源于stack exchange，提问作者andkot