使用golang实现PDF图片提取

extractimages report.pdf

extractimages -o my_pics report.pdf

extractimages --help

go mod init extractimages
go get github.com/pdfcpu/pdfcpu

go build -o extractimages main.go
./extractimages your_file.pdf

package main

import (
	"flag"               // 用于处理命令行参数
	"fmt"               // 用于格式化输出
	"io"                // 提供基础的I/O接口
	"log"               // 提供日志功能
	"os"                // 提供操作系统功能接口
	"path/filepath"     // 用于处理文件路径
	"strings"           // 提供字符串处理函数
	"time"              // 用于计时和时间戳
	"unsafe"            // 用于不安全的内存操作

	"github.com/pdfcpu/pdfcpu/pkg/api"      // pdfcpu库的API接口
	"github.com/pdfcpu/pdfcpu/pkg/pdfcpu"   // pdfcpu库的核心功能
)

// MyImage 是对pdfcpu.Image的封装，用于访问图片的详细信息
type MyImage struct {
	io.Reader  // 嵌入的Reader接口，用于读取图片数据
	Name     string // 图片名称
	FileType string // 文件类型（如jpg、png等）
	PageNr   int    // 图片所在的PDF页码
	ObjNr    int    // 图片在PDF中的对象编号
}

// 全局变量，用于统计提取的图片数量
var extractedImagesCount int

// main 程序入口函数
func main() {
	// 设置日志格式
	log.SetFlags(log.Ldate | log.Ltime | log.Lshortfile)
	log.Println("PDF图片提取工具启动")

	// 解析命令行参数
	var help bool
	var outputDir string
	flag.BoolVar(&help, "h", false, "显示帮助信息")
	flag.BoolVar(&help, "help", false, "显示帮助信息")
	flag.StringVar(&outputDir, "o", "", "指定输出图片的目录")
	flag.StringVar(&outputDir, "output", "", "指定输出图片的目录")
	flag.Parse()

	// 获取剩余的非选项参数（即PDF文件路径）
	args := flag.Args()
	if help || len(args) < 1 {
		showHelp()
		return
	}

	// 获取PDF文件的绝对路径
	pdfFilename, err := filepath.Abs(args[0])
	if err != nil {
		log.Fatalf("获取文件绝对路径失败: %v", err)
	}

	// 检查文件是否存在
	if _, err := os.Stat(pdfFilename); os.IsNotExist(err) {
		log.Fatalf("PDF文件不存在: %s", pdfFilename)
	}

	// 检查文件扩展名是否为pdf
	if !strings.HasSuffix(strings.ToLower(pdfFilename), ".pdf") {
		log.Printf("警告: 文件扩展名不是.pdf，可能不是有效的PDF文件: %s\n", pdfFilename)
	}

	// 确定输出目录
	if outputDir == "" {
		// 如果未指定输出目录，使用默认目录（PDF文件名.images）
		pdfName := strings.TrimSuffix(filepath.Base(pdfFilename), ".pdf")
		outputDir = pdfName + ".images"
	}
	
	// 获取输出目录的绝对路径
	outputDir, err = filepath.Abs(outputDir)
	if err != nil {
		log.Fatalf("获取输出目录绝对路径失败: %v", err)
	}

	// 创建输出目录（如果不存在）
	if err := os.MkdirAll(outputDir, 0755); err != nil {
		log.Fatalf("创建输出目录失败: %v", err)
	}

	log.Printf("开始处理PDF文件: %s", pdfFilename)
	log.Printf("图片将保存到目录: %s", outputDir)
	startTime := time.Now()

	// 打开 PDF 文件
	pdfFile, err := os.Open(pdfFilename)
	if err != nil {
		log.Fatalf("打开PDF文件失败: %v", err)
	}
	// 确保程序结束时关闭文件
	defer pdfFile.Close()

	// 解析 PDF，将提取的图片写入指定目录
	// 使用saveImageToDir函数作为回调函数处理每个提取到的图片
	if err := api.ExtractImages(pdfFile, nil, saveImageToDir(outputDir), nil); err != nil {
		log.Fatalf("提取图片过程中出错: %v", err)
	}

	elapsedTime := time.Since(startTime)
	log.Printf("图片提取完成，共提取 %d 张图片，耗时: %v", extractedImagesCount, elapsedTime)
	log.Printf("所有图片已保存到目录: %s", outputDir)
}

// showHelp 显示帮助信息
func showHelp() {
	fmt.Println("PDF图片提取工具 - 从PDF文件中提取所有图片并保存到指定目录")
	fmt.Println("\n用法:")
	fmt.Println("  extractimages [选项] <PDF文件路径>")
	fmt.Println("\n选项:")
	fmt.Println("  -h, --help              显示此帮助信息")
	fmt.Println("  -o, --output <目录路径>  指定输出图片的目录（默认: PDF文件名.images）")
	fmt.Println("\n示例:")
	fmt.Println("  extractimages document.pdf")
	fmt.Println("  extractimages -o images_folder document.pdf")
	fmt.Println("\n说明:")
	fmt.Println("  1. 程序会从指定的PDF文件中提取所有图片")
	fmt.Println("  2. 提取的图片将保存到指定目录或默认目录中")
	fmt.Println("  3. 图片文件名格式: 图片名称-页码-对象编号.文件类型")
	fmt.Println("  4. 如果指定的目录不存在，将自动创建")
}

// saveImageToDir 创建一个回调函数，用于将提取的图片保存到指定目录
// 参数 outputDir 是保存图片的目标目录路径
// 返回值是一个函数，该函数将在pdfcpu库提取到图片时被调用
func saveImageToDir(outputDir string) func(pdfcpu.Image, bool, int) error {
	return func(img pdfcpu.Image, singleImgPerPage bool, maxPageDigits int) error {
		// 使用unsafe包将pdfcpu.Image类型强制转换为MyImage类型，以便访问私有字段
		myImg := (*MyImage)(unsafe.Pointer(&img))
		
		// 处理空文件名的情况
		name := myImg.Name
		if name == "" {
			name = "image"
		}
		
		// 处理未知文件类型的情况
		fileType := myImg.FileType
		if fileType == "" {
			fileType = "jpg" // 默认使用jpg格式
		}
		
		// 生成图片文件名，格式为：图片名称-页码-对象编号.文件类型
		filename := fmt.Sprintf("%s-%d-%d.%s", name, myImg.PageNr, myImg.ObjNr, fileType)
		
		// 生成完整的文件路径
		filePath := filepath.Join(outputDir, filename)
		
		// 检查文件是否已存在，如果存在则添加时间戳
		if _, err := os.Stat(filePath); err == nil {
			timestamp := time.Now().Format("20060102_150405")
			filename = fmt.Sprintf("%s-%d-%d_%s.%s", name, myImg.PageNr, myImg.ObjNr, timestamp, fileType)
			filePath = filepath.Join(outputDir, filename)
			log.Printf("图片文件已存在，将使用新文件名: %s", filename)
		}
		
		// 创建目标文件
		outFile, err := os.Create(filePath)
		if err != nil {
			log.Printf("创建图片文件失败: %v", err)
			return err
		}
		
		// 确保文件关闭
		defer outFile.Close()
		
		// 将图片数据写入文件
		n, err := io.Copy(outFile, img.Reader)
		if err != nil {
			log.Printf("写入图片数据失败: %v", err)
			return err
		}
		
		// 增加统计计数
		extractedImagesCount++
		
		// 输出成功处理的图片文件名和大小
		log.Printf("成功提取图片 #%d: %s (大小: %d 字节)", extractedImagesCount, filename, n)
		return nil
	}
}