pdf文件批量转换成jpg文件

qianjigui

浏览: 628975 次
性别:
来自: 杭州

最近访客更多访客>>

随心所欲的雪

斜挎包

此森07

weixin_42388702

博主相关

博客

微博

相册

留言

关于我

文章分类

社区版块

存档分类

博客分类：

Linux 零散小知识

Ubuntu Google 正则表达式 Gmail JavaScript

最近由于课程安排，我们需要写一些文章。其中涉及讨论软件界面设计、JavaCC使用、解释器构造设计等等，我便有了发到blog的想法。由于文章又长又多，在向上发送和编辑时非常麻烦（其中涉及表格、图像、各种文字以及数学公式）。在这个时候我想到可以将文件导出成图片，这样虽然无法让浏览器检索到但是便于编辑、浏览和保存，当然它也在一定程度上起到了版权保护的作用（不过这个意义不大，譬如可以通过人肉啊、模式识别工具来把数据抠出来）。总之，我便遇到了一个新的问题：需要做一个方便转换的小工具。

在这里，我通过组合Ubuntu上已有的各个小组件来实现这个工具。在前一个版本中主要是原理上面的实现，后面一个版本提高了速度（让数据交换在缓存中进行，第一个版本是通过文件交换的）以及一些注释达到软件工程的基本标准。

系统环境写道

Ubuntu 8.04
GNOME 2.22.3
bash shell

工具运行环境写道

第一版本：
Bash shell
pdftoppm
pnmtojpeg

第二版本：
在第一版本基础上添加
pdfinfo

以下是详细的shell代码，第二版本中有比较详细的注释。欢迎大家交流学习。

第一个版本：

#This shell is using for tanslate the pdf files to many jpg files.
#You can make your copyright more safely.
pdfFileName=${1%.pdf}
pdftoppm $pdfFileName.pdf $pdfFileName 
ppmFiles=`ls $pdfFileName-*.ppm`
jpgDir=$pdfFileName-pdf2jpg
mkdir $jpgDir
for pic in $ppmFiles
do
  jpgFile=${pic%ppm}jpg
  pnmtojpeg $pic > $jpgFile
  mv $jpgFile $jpgDir
done
rm -r $ppmFiles

第二个版本：

#This shell is using for tanslate the pdf file to many jpg files.
#You can make your copyright more safely.

if [ $# != 1 ]
then
  echo 'pdftojpg version 0.01'
  echo 'Copyright 2001-2008 by QJGui'
  echo 'Usage: pdftojpg <PDF-file>'
  exit
fi

###############Get the basic information about the pdf file
#pdf File name
pdfFile=$1
if [  -e $pdfFile ]
then
  echo "Find File: $pdfFile"
else
  echo "Can not find the pdf File: $pdfFile"
  exit
fi
#pdf File name without the type(.pdf)
pdfFileName=${pdfFile%.pdf}
#Create the dictionary
jpgDir=$pdfFileName-pdf2jpg
if [ -e $jpgDir ]
then
  echo "The dictionary of $jpgDir exists. Removing it......"
  rm -r $jpgDir
fi
echo "Make a new dictionary $jpgDir......"
mkdir $jpgDir
#Get the total page of the pdf file
count=0
x=`pdfinfo $pdfFile | grep 'Pages:*' `
totPage=${x:6:${#x}}
echo "Total page number: $totPage"
#####################Get Basic Info End ###########

while [ $count -lt $totPage ] 
do
  count=`expr $count + 1`
  jpgFile=$pdfFileName-$count.jpg
  echo "Convert the page $count/$totPage......"
  pdftoppm -f $count -l $count $pdfFile | pnmtojpeg > ./$jpgDir/$jpgFile
done

echo "Success. Finish the job. Please see the $jpgDir "

在编辑保存完后，建议大家将其添加到bin目录中以方便调用。

工具的进一步改进写道

这个工具在很多方面还有改进的余地。
例如：
pdf文件信息截取方式
ppm（中间过渡文件）、jpg等图片还有调节的余地

bin.tar (10 KB)
描述: 第二版本的详细源代码
下载次数: 35

分享到：

XFCE的模板文件配置方式 | Ruby and Rails Development for Visual St ...

2008-10-10 23:55
浏览 1797
评论(3)
论坛回复 / 浏览 (3 / 20567)
分类:非技术
查看更多

3 楼 qianjigui 2008-10-16

通过使用，我发现了一个问题，当文件页码过长时生成的jpg文件名称格式不一致，致使在对文件按名称排序后阅读时会出现乱序的情况。
现在通过在数字前面加0来补齐长度，使文件能够正常排序。
<div class='quote_title'>修改点写道</div>
<div class='quote_div'>lOfTotPage=${#totPage} while [ $count -lt $totPage ] do count=`expr $count + 1` fNumber=$count while [ ${#fNumber} -lt $lOfTotPage ] do fNumber="0$fNumber" done jpgFile=$pdfFileName-$fNumber.jpg echo "Convert the page $count/$totPage......" pdftoppm -f $count -l $count $pdfFile | pnmtojpeg > ./$jpgDir/$jpgFile done</div>
 最新版本：
<pre name='code' class='js'>#This shell is using for tanslate the pdf file to many jpg files.
#You can make your copyright more safely.
#Version 0.1.2
#Format the jpg files' name. The point is the length of number. To add more zero number in the front of the old number.
#Version 0.1.1
#Change the var of totPage 's getting value method, it use the sed to get the number
#Version 0.0.1
#The basic function

if [ $# != 1 ]
then
echo 'pdftojpg version 0.1.2'
echo 'Copyright 2001-2008 by QJGui(qianjigui@gmail.com)'
echo 'Usage: pdftojpg <PDF-file>'
exit
fi

###############Get the basic information about the pdf file
#pdf File name
pdfFile=$1
if [ -e $pdfFile ]
then
echo "Find File: $pdfFile"
else
echo "Can not find the pdf File: $pdfFile"
exit
fi
#pdf File name without the type(.pdf)
pdfFileName=${pdfFile%.pdf}
#Create the dictionary
jpgDir=$pdfFileName-pdf2jpg
if [ -e $jpgDir ]
then
echo "The dictionary of $jpgDir exists. Removing it......"
rm -r $jpgDir
fi
echo "Make a new dictionary $jpgDir......"
mkdir $jpgDir
#Get the total page of the pdf file
count=0
totPage=`pdfinfo $pdfFile | grep 'Pages:*' `
totPage=`echo $totPage|sed -e's/Pages: *//g'`
echo "Total page number: $totPage"
#####################Get Basic Info End ###########

lOfTotPage=${#totPage}
while [ $count -lt $totPage ]
do
count=`expr $count + 1`
fNumber=$count
while [ ${#fNumber} -lt $lOfTotPage ]
do
fNumber="0$fNumber"
done
jpgFile=$pdfFileName-$fNumber.jpg
echo "Convert the page $count/$totPage......"
pdftoppm -f $count -l $count $pdfFile | pnmtojpeg > ./$jpgDir/$jpgFile
done

echo "Success. Finish the job. Please see the $jpgDir "</pre>
 
<div class='quote_title'>小贴士写道</div>
<div class='quote_div'>字符串长度计算方式： s='abcdefg' echo ${#s}</div>
<div class='quote_div'>1.得到字符串长度 方法一: $echo ${#variable} code: 
<div style='margin: 5px 20px 20px 0px;'>
<div class='smallfont' style='margin-bottom: 2px;'>shell 代码:</div>
<div class='alt2' style='border: 1px solid #c6c6c6; margin: 0px; padding: 4px; overflow: auto; width: 500px; height: 66px;'>
<div dir='ltr' style='text-align: left;'><code>zhyfly: ~$ x="this is a test" zhyfly: ~$ echo ${#x} 14 </code></div>
</div>
</div>
方法二: $expr length "$variable" code: 
<div style='margin: 5px 20px 20px 0px;'>
<div class='smallfont' style='margin-bottom: 2px;'>shell 代码:</div>
<div class='alt2' style='border: 1px solid #c6c6c6; margin: 0px; padding: 4px; overflow: auto; width: 500px; height: 66px;'>
<div dir='ltr' style='text-align: left;'><code>zhyfly: ~$ x="this is a test" zhyfly: ~$ expr length "$x" 14 </code></div>
</div>
</div>
方法三: $expr "$variable" : ".*" code: 
<div style='margin: 5px 20px 20px 0px;'>
<div class='smallfont' style='margin-bottom: 2px;'>shell 代码:</div>
<div class='alt2' style='border: 1px solid #c6c6c6; margin: 0px; padding: 4px; overflow: auto; width: 500px; height: 66px;'>
<div dir='ltr' style='text-align: left;'><code>zhyfly: ~$ x="this is a test" zhyfly: ~$ expr "$x" : ".*" 14 </code></div>
</div>
</div>
2.查找字符串子串位置 方法: $expr index "$variable" "substring" code: 
<div style='margin: 5px 20px 20px 0px;'>
<div class='smallfont' style='margin-bottom: 2px;'>shell 代码:</div>
<div class='alt2' style='border: 1px solid #c6c6c6; margin: 0px; padding: 4px; overflow: auto; width: 500px; height: 98px;'>
<div dir='ltr' style='text-align: left;'><code>zhyfly: ~$ x="this is a test" zhyfly: ~$ expr index "$x" "is" 3 zhyfly: ~$ expr index "$x" "t" 1 </code></div>
</div>
</div>
(ps:如果出现重复,好象只能查到第一个,第二个,第三个,...,怎么查到呢???) 3.得到字符串子字符串 方法一: $echo ${variable:position:length} code: 
<div style='margin: 5px 20px 20px 0px;'>
<div class='smallfont' style='margin-bottom: 2px;'>shell 代码:</div>
<div class='alt2' style='border: 1px solid #c6c6c6; margin: 0px; padding: 4px; overflow: auto; width: 500px; height: 66px;'>
<div dir='ltr' style='text-align: left;'><code>zhyfly: ~$ x="this is a test" zhyfly: ~$ echo ${x:1:5} his i </code></div>
</div>
</div>
方法二: $expr substr "$variable" startposition length code: 
<div style='margin: 5px 20px 20px 0px;'>
<div class='smallfont' style='margin-bottom: 2px;'>shell 代码:</div>
<div class='alt2' style='border: 1px solid #c6c6c6; margin: 0px; padding: 4px; overflow: auto; width: 500px; height: 66px;'>
<div dir='ltr' style='text-align: left;'><code>zhyfly: ~$ x="this is a test" zhyfly: ~$ expr substr "$x" 1 5 this </code></div>
</div>
</div>
(ps:注意方法一和方法二中位置的区别!) 4.匹配正则表达式之匹配长度 方法: $expr match "$x" "string" code: 
<div style='margin: 5px 20px 20px 0px;'>
<div class='smallfont' style='margin-bottom: 2px;'>shell 代码:</div>
<div class='alt2' style='border: 1px solid #c6c6c6; margin: 0px; padding: 4px; overflow: auto; width: 500px; height: 130px;'>
<div dir='ltr' style='text-align: left;'><code>zhyfly: ~$ x="this is a test" zhyfly: ~$ expr match "$x" "his" 0 zhyfly: ~$ expr match "$x" "this" 4 zhyfly: ~$ expr match "$x" "." 1 </code></div>
</div>
</div>
5.字符串的掐头去尾 方法: $echo ${variable#startletter*endletter} # #表示掐头,因为键盘上#在$前面,一个表示最小匹配 $echo ${variable##tartletter*endletter} 两个表示最大匹配 $echo ${variable%startletter*endletter} # %表示去尾,因为键盘上%在$后面,一个表示最小匹配 $echo ${variable%%startletter*endletter} 两个表示最大匹配 code: 
<div style='margin: 5px 20px 20px 0px;'>
<div class='smallfont' style='margin-bottom: 2px;'>shell 代码:</div>
<div class='alt2' style='border: 1px solid #c6c6c6; margin: 0px; padding: 4px; overflow: auto; width: 500px; height: 338px;'>
<div dir='ltr' style='text-align: left;'><code>zhyfly: ~$ x="this is a test" zhyfly: ~$ echo ${x#t} his is a test zhyfly: ~$ echo ${x#t*h} is is a test zhyfly: ~$ echo ${x#t*s} is a test zhyfly: ~$ echo ${x##t*s} t zhyfly: ~$ echo ${x%t} this is a tes zhyfly: ~$ echo ${x%s*t} this is a te zhyfly: ~$ echo ${x%e*t} this is a t zhyfly: ~$ echo ${x%%i*t} th </code></div>
</div>
</div>
 6.字符(串)的替换 方法: $echo ${variable/oldletter/newletter} #替换一个 $echo ${variable//oldletter/newletter} #替换所有 code: 
<div style='margin: 5px 20px 20px 0px;'>
<div class='smallfont' style='margin-bottom: 2px;'>shell 代码:</div>
<div class='alt2' style='border: 1px solid #c6c6c6; margin: 0px; padding: 4px; overflow: auto; width: 500px; height: 98px;'>
<div dir='ltr' style='text-align: left;'><code>zhyfly: ~$ x="this is a test" zhyfly: ~$ echo ${x/i/m} thms is a test zhyfly: ~$ echo ${x//i/m} thms ms a test </code></div>
</div>
</div>

<script type="text/javascript">
</script>
<script src="http://pagead2.googlesyndication.com/pagead/show_ads.js" type="text/javascript">
</script>
<script> window.google_render_ad()</script>
 </div>

2 楼 qianjigui 2008-10-12

在这里简单普及一下，管道的概念以解释为什么改进版本的速度较快。
<div class='quote_title'>管道相关的概念写道</div>
<div class='quote_div'> 在linux中管道是通过指向同一个临时的VFS inode的两个file数据结构来实现的，此VFS inode指向内存中的同一个物理页面。这就隐藏了读写管道和读写普通文件的差别。管道是半双工的，数据只能向一个方向流动；需要双方通信时，需要建立起两个管道；只能用于父子进程或者兄弟进程之间（具有亲缘关系的进程）； 管道对于管道两端的进程而言，就是一个文件，但它不是普通的文件，它不属于某种文件系统，单独构成一种文件系统，并且只存在与内存中。数据的读出和写入：一个进程向管道中写的内容被管道另一端的进程读出。写入的内容每次都添加在管道缓冲区的末尾，并且每次都是从缓冲区的头部读出数据。</div>
由于以上原因，利用管道通信的改进版本在很大程度上提高了程序的速度。
其实整个系统的运行机制是：首先将pdf文件转换成一堆ppm图片文件，再将每个ppm文件转换为jpg文件。原理实验版本中的实现方式是首先将pdf转换为ppm并以临时文件的形式存储下来，然后通过一个个读取文件的方式做第二步的ppm->jpg文件的转换。通过这个原理大量的数据交换都发生在硬盘上，硬盘的读写速度就成为了耗时的一个重点。为了改进效率，实际版本利用管道机制将数据交换移到了内存中这样就大大提高了效率。

1 楼 qianjigui 2008-10-11

发生了一点小改动，主要是修改了totPage的获取方法，用字符串匹配取代了以前绝对定位的处理方式。
<pre name='code' class='js'>原来：
x=`pdfinfo $pdfFile | grep 'Pages:*' `
totPage=${x:6:${#x}}

现在：
totPage=`pdfinfo $pdfFile | grep 'Pages:*' `
totPage=`echo $totPage|sed -e's/Pages: *//g'`
</pre>
 现在的程式：
<pre name='code' class='js'>#This shell is using for tanslate the pdf file to many jpg files.
#You can make your copyright more safely.
#Version 0.1.1
#Change the var of totPage 's getting value method, it use the sed to get the number
#Version 0.0.1
#The basic function

if [ $# != 1 ]
then
echo 'pdftojpg version 0.1.1'
echo 'Copyright 2001-2008 by QJGui(qianjigui@gmail.com)'
echo 'Usage: pdftojpg <PDF-file>'
exit
fi

###############Get the basic information about the pdf file
#pdf File name
pdfFile=$1
if [ -e $pdfFile ]
then
echo "Find File: $pdfFile"
else
echo "Can not find the pdf File: $pdfFile"
exit
fi
#pdf File name without the type(.pdf)
pdfFileName=${pdfFile%.pdf}
#Create the dictionary
jpgDir=$pdfFileName-pdf2jpg
if [ -e $jpgDir ]
then
echo "The dictionary of $jpgDir exists. Removing it......"
rm -r $jpgDir
fi
echo "Make a new dictionary $jpgDir......"
mkdir $jpgDir
#Get the total page of the pdf file
count=0
totPage=`pdfinfo $pdfFile | grep 'Pages:*' `
totPage=`echo $totPage|sed -e's/Pages: *//g'`
echo "Total page number: $totPage"
#####################Get Basic Info End ###########

while [ $count -lt $totPage ]
do
count=`expr $count + 1`
jpgFile=$pdfFileName-$count.jpg
echo "Convert the page $count/$totPage......"
pdftoppm -f $count -l $count $pdfFile | pnmtojpeg > ./$jpgDir/$jpgFile
done

echo "Success. Finish the job. Please see the $jpgDir "</pre>

发表评论

您还没有登录,请您登录后再发表评论

最近访客更多访客>>

博主相关

文章分类

社区版块

存档分类

最新评论