本文介绍使用 PyMuPDF（fitz）替代 pdf2image，无需安装 poppler 即可将多页 PDF 高效转换为内存中的图像字节对象，完美适配 LazyDocument 等依赖 images 参数的文档处理流程。
本文介绍使用 pymupdf（fitz）替代 pdf2image，无需安装 poppler 即可将多页 pdf 高效转换为内存中的图像字节对象，完美适配 lazydocument 等依赖 `images` 参数的文档处理流程。
PyMuPDF 是一个功能强大、纯 Python 友好且无需外部依赖（如 poppler） 的 PDF 处理库，其核心模块 fitz 内置了高质量的渲染引擎，可直接将 PDF 页面转换为像素图（Pixmap），并支持以多种格式（PNG、JPEG 等）导出为字节流——这正是 LazyDocument 所需的 images 参数类型（List[bytes] 或 List[io.BytesIO]）。
以下是一个完整、生产就绪的实现方案，适用于 S3 存储的 PDF 文件，并与您原有的 Textract 流程无缝集成：
import fitz # pip install PyMuPDF
import boto3
from io import BytesIO
def pdf_bytes_to_image_bytes_list(pdf_bytes: bytes, dpi: int = 150) -> list[bytes]:
"""
将 PDF 字节数据转换为 PNG 图像字节列表（每页一张）
:param pdf_bytes: PDF 文件原始字节（如从 S3 get_object().read() 获取）
:param dpi: 渲染分辨率，默认 150，兼顾清晰度与内存占用
:return: 每个元素为 PNG 格式 bytes 的列表
"""
doc = fitz.open(stream=pdf_bytes, filetype="pdf")
images = []
for page in doc:
# 渲染为 Pixmap（支持 alpha、抗锯齿、指定 DPI）
pix = page.get_pixmap(dpi=dpi, matrix=fitz.Matrix(1, 1)) # matrix 可用于缩放/旋转
# 转为 PNG 字节（无文件 I/O，全部在内存中完成）
images.append(pix.tobytes("png"))
doc.close()
return images
# ✅ 替换原代码中 pdf2image 的部分
s3_client = boto3.client("s3", region_name="us-east-1")
file_obj = s3_client.get_object(Bucket=bucket, Key=key)
pdf_bytes = file_obj["Body"].read()
# 关键替换：用 PyMuPDF 生成 images 列表
images = pdf_bytes_to_image_bytes_list(pdf_bytes, dpi=150)
LazyDoc = LazyDocument(
response["JobId"],
Textract_API.ANALYZE,
textract_client=textract_client,
images=images, # ✅ 类型完全兼容：List[bytes]
output_config=output_config,
)
✅ 优势总结：
- 零外部依赖：无需 poppler、无需配置 poppler_path，pip install PyMuPDF 后开箱即用；
- 内存友好：全程基于字节流操作，避免临时文件写入，符合云环境（如 Lambda、受限容器）部署要求；
- 可控性强：支持自定义 DPI、色彩空间（colorspace=fitz.csRGB）、是否启用抗锯齿（alpha=True）、甚至单页裁剪或区域渲染；
- 性能优异：PyMuPDF 渲染速度通常优于 pdf2image + poppler 组合，尤其在多页文档场景下。
⚠️ 注意事项：
- 若 PDF 含复杂字体或嵌入 ICC 配置文件，建议保持 dpi ≥ 120 以保障 OCR 可读性；
- pix.tobytes("jpeg") 可减小体积，但会损失文本边缘精度，推荐优先使用 "png"；
- 对超长文档（>100 页），可考虑分批处理或增加 gc.collect() 避免内存累积。
至此，您已成功绕过 PDFInfoNotInstalledError，构建了一条稳定、合规、高性能的 PDF → 图像 → Textract → LazyDocument 全链路。
