pdf2imageで日本語を含むPDFを画像化したい

前提・実現したいこと

日本語が埋め込まれているPDFをpdf2imageでpngに変換したいです。

発生している問題・該当のソースコード

下記コードにてページごとのpngは出力されるのですが、日本語部分が消えてしまいます。

python
1from pathlib import Path
2from pdf2image import convert_from_path
3
4path_name = 'image/'
5pdf_path = Path('file.pdf')
6img_path=Path(path_name)
7fmt = 'png'
8convert_from_path(pdf_path, output_folder=img_path,fmt=fmt,output_file=pdf_path.stem)

試したこと

下記URLを参考に必要なフォントをインストールしようとしたのですが、
実行機がWindows10のためyum installが使えません。
https://qiita.com/m-shimao/items/98cacdfe1c55edff0867

ちなみにLinux（Ubuntu 20.04.3 LTS）機で実行した場合は日本語部分も出力されます。

補足情報（FW/ツールのバージョンなど）

Windows 10 Pro 64bit
Python 3.8.10
pdf2image 1.16.0
poppler-utils 0.1.0

行動規範の内容に同意します

回答1件

ベストアンサー

まず，fontの件はこっちに置いておいて，日本語が変換されない根本の原因は
「poppler for Windows」にLinux等でいうところの「poppler-data」が含まれていないことにあります。
「poppler-data」にはpdfの日本語フォントマップが含まれます。

で，「poppler-data」の入手方法ですが，いくつか方法があります。
考えつく限りで次の3通りです。

Linuxでpoppler-dataをインストールし，/usr/share/popplerまるごと
msys2でmingw-w64-x86_64-poppler-dataをインストールし/mingw64/share/popplerまるごと
cygwinでpoppler-dataをインストールし，/usr/share/poppler(C:/cygwin64/usr/share/poppler)まるごと

上のどれかの「poppler」フォルダ(poppler-data)を
「poppler for Windowsのフォルダ」/share/の下に「popplerフォルダ」ごとコピーします。

すると，pdfimages.exe等が勝手に「poppler-data」を認識してうまく日本語が変換できるようになることでしょう。

投稿2021/12/22 15:56