PythonでPDFを画像ファイル（JPEG、PNG）に変換する方法

今回はPDFを画像ファイル（JPEG、PNG）にPythonで変換する方法をご紹介します。

PDFを画像ファイルに変換するには、通常は有料のAdobe® Acrobat®などのソフトを用いますが、Pythonなら無料で入手できるライブラリで実施できます。

PythonでPDFを画像に変換できれば、PDFの書類をOCRで文字認識したり、多量のPDFファイルをプレビューしやすくするなど、PDFをもっと効率化に利用できるようになります。

本記事の目次

pdf2imageのインストール
popplerのダウンロード
プロジェクトフォルダ構成
プログラミング（JPEG、PNGへの変換）
マルチページのTIFFに変換したい場合
様々に応用できます

本記事では「Windows10 + Python3.7」でプログラムを作成しています。

pdf2imageのインストール

今回はPythonでPDFを画像に変換するのに「pdf2image」というライブラリを使用します。pdf2imageはPyPIで公開されているので、以下のようにpipで簡単にインストールできます。

C:¥Users¥Taro> py -m pip install pdf2image

pdf2imageは以下のようにpip showで情報を確認するとPillowという画像処理のライブラリを必要とします。Pillowがインストールされていない場合は一緒にインストールしてくれます。

C:¥Users¥Taro> py -m pip show pdf2image
Name: pdf2image
Version: 1.11.0
Summary: A wrapper around the pdftoppm and pdftocairo command line tools to convert PDF to a PIL Image list.
Home-page: https://github.com/Belval/pdf2image
Author: Edouard Belval
Author-email: edouard@belval.org
License: MIT
Location: c:\users\taro\appdata\local\programs\python\python37-32\lib\site-packages
Requires: pillow
Required-by:

popplerのダウンロード

pdf2imageは「Poppler」というフリーのPDFコマンドラインツールを背後で用います。そのため、Popplerをダウンロードしておく必要があります。

PopplerはPDF出力ライブラリとしてLinuxでよく用いられています。そこにはPDFの情報取得、形式変換、編集などを可能にするユーティリティが含まれており、pdf2imageでは「pdftoppm」という画像に変換するツールを利用しています。

今回はWindowsでプログラミングするので、以下のWebページからWindows版のPopplerをダウンロードします。

Poppler for Windows

このWebページには「Release ??.??.?-?.zip」のようなリンクがあるので、そこをクリックするとダウンロードできます。

ダウンロードしたファイルは「Zip形式」で圧縮されていますので、解凍してください。

解凍したフォルダの「Libraryフォルダ」内には、bin, include, lib, shareのフォルダが含まれています。これらを以下で説明するpopplerフォルダにコピーします。

プロジェクトフォルダ構成

今回は以下のようなフォルダ構成でプログラムを作成・実行します。

PdfToImage

image_file
pdf_file

pdf3009p.pdf

poppler

bin
include
lib
share

pdf_to_image.py

プログラムファイル（pdf_to_image.py）と以下の３つのフォルダを配置します。

image_fileフォルダ：PDFから変換した画像ファイルを保存する場所
pdf_fileフォルダ：原稿のPDFファイルをここに入れておく
popplerフォルダ：ダウンロードしたpopplerの中身をここにすべてコピーする

今回はPDFのサンプルとして厚生労働省の毎月勤労統計調査（平成30年9月分結果速報等）の概要を利用します。このPDFファイル（pdf3009p.pdf）は以下のように16ページあります。

pdf3009p.pdf

pdf pages

このPDFを１ページずつ画像に変換します。

プログラミング（JPEG、PNGへの変換）

以下のようにpaf2imageライブラリのconvert_from_path()関数に、PDFファイルのパスと解像度（単位：dpi）を指定して実行すると画像に変換してくれます。

解像度を高くするほど変換に時間を要します。デフォルトは200dpiですが、今回は早く終えるために小さめの150dpiにしています。

convert_from_path()関数は、１ページごとの画像のリストを返すので、ループして１ページずつ保存します。この画像はPillowライブラリのImage型なのでsave()メソッドを呼び出せば保存できます。２つめのパラメータで画像形式（”JPEG”,”PNG”等）を指定できます。

import os
from pathlib import Path
from pdf2image import convert_from_path

# poppler/binを環境変数PATHに追加する
poppler_dir = Path(__file__).parent.absolute() / "poppler/bin"
os.environ["PATH"] += os.pathsep + str(poppler_dir)

# PDFファイルのパス
pdf_path = Path("./pdf_file/pdf3009p.pdf")

# PDF -> Image に変換（150dpi）
pages = convert_from_path(str(pdf_path), 150)

# 画像ファイルを１ページずつ保存
image_dir = Path("./image_file")
for i, page in enumerate(pages):
    file_name = pdf_path.stem + "_{:02d}".format(i + 1) + ".jpeg"
    image_path = image_dir / file_name
    # JPEGで保存
    page.save(str(image_path), "JPEG")

ここで、poppler/binフォルダにあるユーティリティをpdf2imageライブラリが利用できるようにするため、PATHを通しておく必要があります。システムの設定で環境変数PATHに追加しても構いませんが、ここではos.environ["PATH"]に追加することでに一時的にPATHを通しています。この方がシステムのPATHをシンプルに保てます。

プログラムを実行すると以下のように16個のJPEGファイルが作成されます。

pdf3009p_01.jpeg 〜 pdf3009p_16.jpeg

image pages

原稿のPDFと比較しても精度良く変換されているのがわかります。

１ページ目の変換画像（pdf3009p_01.jpeg）

PNG形式に変換したい場合

PNG形式で画像を保存したい場合は、以下のように拡張子を".png"に、保存形式のパラメータを"PNG"に書き換えます。

...
image_dir = Path("./image_file")
for i, page in enumerate(pages):
    file_name = pdf_path.stem + "_{:02d}".format(i + 1) + ".png"
    image_path = image_dir / file_name
    # PNGで保存
    page.save(str(image_path), "PNG")

マルチページのTIFFに変換したい場合

16ページを16個の画像ファイルでなく、１つのTIFF形式のファイルに変換することも可能です。それには以下のようにコードを書き換えます。

...
image_dir = Path("./image_file")
tiff_name = pdf_path.stem + ".tif"
image_path = image_dir / tiff_name
pages[0].save(str(image_path), "TIFF", compression="tiff_deflate", save_all=True, append_images=pages[1:])

このように、１ページ目（pages[0]）でsave()メソッドを呼び出します。その時に、パラメータとして、save_allはTrue、append_imagesには２ページから最後までの画像リストを指定します。

圧縮方式（compression）を指定しないこともできますが、ファイルサイズが膨大になるので指定するようにします。ここでは、データロスのない圧縮方式（"tiff_deflate"）を指定しています。他の方式は以下のPillow公式ドキュメントを参照してください。

Pillowドキュメント Image file formats ▶ Saving Tiff Images

様々に応用できます

PDFから画像への変換がプログラムで可能になれば、応用範囲がグッと広がります。

例えば、各PDFファイルの１ページ目だけを画像にすれば、PDFが大量にあってもサムネイル画像を作成できます。ちなみに、先頭のページだけを画像に変換するにはconvert_from_path()関数でオプションとしてlast_page=1を指定します。

また、PDFの帳票の決まった位置にある文字を読み取りたい場合は、PDFを苦心して解析するよりも、画像に変換してからOCRで認識した方がうまく処理できる場合があります。

ぜひ様々なアイデアを試してみてください。