python - 获取包含图像的 PDF 页面

Question

我正在寻找一种编程解决方案来查找所有包含至少一个图像的页面（例如它们的页码）。我不需要图像本身，我只需要页码。首选 shell 脚本解决方案或 python 解决方案，但有助于完成此任务的一切都可以。

背景：我正在对 PDF 进行 OCR，我需要知道在哪些页面上运行 OCR 是有意义的。

Answer 1

一种解决方案是使用软件包中pdfimages的实用程序。poppler-utils它可以输出一些关于存储在 pdf 中的图像的信息：

$ pdfimages -list file.pdf
page   num  type   width height color comp bpc  enc interp  object ID
---------------------------------------------------------------------
   1     0 image     200   197  rgb     3   8  jpeg   no         7  0

页码是一个（从 1 开始计数），identify（从ImageMagik包中）可以显示所有页码：

$ identify -format '%p ' file
0 1 2 3

从这两个命令可以看出，第 2、3、4 页不包含图像，而第 1 页包含图像。