自动将PDF转换为图片
我所在的州发布了一些数据，都是PDF格式的。不过更糟糕的是，这些PDF大部分（可能全部）看起来都是用Office打的信件，打印或传真后再扫描的（我们的政府真是太棒了，对吧？）。一开始我以为是我自己在想太多，但后来我发现很多PDF都是“倾斜”的，像是扫描的时候没有对准扫描仪。所以，我想，能从这些文件中提取出实际的文字，最好的办法就是把每一页变成图片。
显然，这个过程需要自动化，如果可以的话，我希望用Python来实现。如果Ruby或Perl有特别好用的实现，我也可以考虑用它们。我试过用pyPDF来提取文字，但效果并不好。我还试过swftools，但从中得到的图片几乎完全无法使用。看起来在转换过程中字体都坏掉了。我其实对输出的图片格式并不太在意，只要它们相对轻便，且能看得懂就行。
7 个回答
Ghostscript 是一个非常适合将 PDF 文件转换成图片的工具。它非常可靠，并且有很多可以调整的选项。它可以在 GPL 许可证或商业许可证下使用。你可以通过命令行来调用它，或者使用它的原生 API。想了解更多信息，可以参考以下链接：
你可以在命令行中调用比如说 pdftoppm 这个工具（或者用Python的 subprocess 模块），然后把生成的PPM文件转换成你想要的格式，比如使用ImageMagick（同样可以用 subprocess 或者如果有的话用一些绑定库）。
如果这些PDF文件实际上是扫描的图片，那么你不应该把PDF转换成图片，而是应该直接从PDF中提取出图片。很可能，PDF里的所有内容其实就是一张巨大的图片，只是用PDF的格式包装了一下，以便在Acrobat中能正常显示。
你可以试试一个简单的方法，就是在PDF中找到图片，然后把数据提取出来：从PDF中提取JPG图片。那里的代码非常简单，但可能有很多原因导致它在你的PDF文件上无法正常工作。不过如果能成功，你就能很快、轻松地把图片数据从PDF中提取出来。