パワーポイントとPDFを自動で画像に変換したい

f:id:nogawanogawa:20210503084049j:plain:w500

ちょっとした技術調査です。

MS Office系のデータとPDFを大量に画像に変換したいことがあったんですが、あまりに量が多くて自動化したくなりました。

「どうせ簡単に出来るやろ」とか余裕ぶっこいてたら実は結構めんどくさかったので、今回はそのやり方をメモとして残しておくものです。

やりたいこと
方針
- pptx -> pdf
- pdf -> jpg
やってみる
作ったもの
参考文献
感想

やりたいこと

やりたいことを箇条書きで書くと、

対象はパワーポイントとPDF
- エクセルとかワードはページの概念がややこしいので今回は除外
出力はJPEG形式
一つのファイルからページごとに分割してJPEG形式で保存する
Dockerコンテナ上で実現したい（linux）

ってところです。最後の一つがなければシンプルです。

方針

流れとしてはこんな感じに思ってます。

f:id:nogawanogawa:20210503084033j:plain:w500

まず、pptxが入力された場合に強引にpdfに変換します。その後、pdfをjpegへ変換することで最終的に欲しいjpegを取得します。

pptx -> pdf

まず、pptxが入力された場合にLibreOfficeを使って強引にpdfに変換します。 GUIを使えば誰でも出来るのですが、今回は自動化したいのでGUIはなしの方針でやっていきます。

これ意外と厄介で、pptxについては'comtypes'など、windowsで使用するためのライブラリは存在するんですが、windowsのAPIを叩く様になっているようでLinux環境で使用できるライブラリは見当たりませんでした。*1

そのため、pptxについてはpythonライブラリだけではなく、LibreOfficeを使ってやっていくことを考えます。こちらの記事によれば、LibreOfficeを使えば変換はできそうです。

qiita.com

もろもろ環境を作ってしまえば、下記のようなコマンドで変換はできそうです。

$ libreoffice --headless --nologo --nofirststartwizard --convert-to pdf --outdir <出力先> <変換したいファイル>.pptx

このコマンドを叩くようにしてあげれば、pptx -> pdfの変換はできそうです。

pdf -> jpg

pdfをjpgに変換する際には、'pdf2image'というライブラリを使用したいと思います。 poppler-utilsというツールが必要になるようなので、そちらも合わせてインストールしておきます。

apt install -y poppler-utils

基本的にはこれだけで変換できたりします。

from pathlib import Path
from pdf2image import convert_from_path

pdf_path = Path("hoge.pdf")
img_path=Path("./image")
convert_from_path(pdf_path, output_folder=img_path,fmt='jpeg',output_file=pdf_path.stem)

これでページごとにjpgに変換して出力先フォルダにファイルを置いていってくれます。

やってみる

さて、実際に動くものを作ってみます。上の方針をベースに、これをファイルを受信して画像を応答するAPIとして作ってみたいと思います。

といっても、Flaskでちゃちゃっと書くだけですが。

from flask import *
from werkzeug.utils import secure_filename
import os
from pathlib import Path
from pdf2image import convert_from_path
import datetime
import subprocess
import time
import requests

DEBUG = True

app = Flask(__name__)
app.config.from_object(__name__)

ALLOWED_EXTENSIONS = {'pdf', 'pptx'}

def dirCheck(new_path):
    if not os.path.exists(new_path):
        os.mkdir(new_path)

def isAllowedFile(filename):
    return '.' in filename and \
           filename.rsplit('.', 1)[1].lower() in ALLOWED_EXTENSIONS

def isPDF(filename):
    return '.' in filename and filename.rsplit('.', 1)[1].lower() in {'pdf'}

def isPPTX(filename):
    return '.' in filename and filename.rsplit('.', 1)[1].lower() in {'pptx'}

dirCheck("/tmp/pptx")
dirCheck("/tmp/pdf")
#dirCheck("/tmp/jpg")
dirCheck("/app/images/jpg")

@app.route('/', methods=['POST'])
def index():

    # atatched somthing?
    if 'file' not in request.files:
        return "no file\n"
    
    file = request.files['file']

    # atatched file?
    if file.filename == '':
        return 'No selected file\n'

    if not isAllowedFile(file.filename):
        return 'no allowed files\n'

    filename = secure_filename(file.filename)
    now = datetime.datetime.now()
    dtstr = now.strftime('%Y%m%d%H%M%S') # => '2019-08-02T02:20:43'
    dir_name = filename.split('.')[0] + "_" + dtstr
    

    if isPPTX(file.filename):
        output_path = os.path.join("/tmp/pptx", dir_name)
        dirCheck(output_path)
        file.save(os.path.join("/tmp/pptx", dir_name, filename))

        # pptx -> pdf
        output_path = os.path.join("/tmp/pdf", dir_name)
        dirCheck(output_path)

        res = subprocess.call(['libreoffice', '--headless', ' --nologo', '--nofirststartwizard', '--convert-to', 'pdf', '--outdir', output_path, os.path.join("/tmp/pptx", dir_name, filename)])
        
        # pdf -> jpg (recursive request)
        file = {'file': open(os.path.join("/tmp/pdf", dir_name, filename.split('.')[0] + '.pdf'), 'rb')}
        return requests.post('http://localhost:5000/', files=file).text

    elif isPDF(file.filename):
        output_path = os.path.join("/tmp/pdf", dir_name)
        dirCheck(output_path)
        file.save(os.path.join(output_path, filename))

        pdf_path = Path(os.path.join(output_path, filename))
        
        #output_path = os.path.join("/tmp/jpg", dir_name)
        output_path = os.path.join("/app/images/jpg", dir_name)
        
        dirCheck(output_path)

        convert_from_path(pdf_path, output_folder=output_path,fmt='jpeg',output_file=pdf_path.stem)
        return output_path

if __name__ == '__main__':
    app.run()