到目前为止,使用pdfimages
和mupdf
/的图像提取工作正常。mutool
使用 FreePDF 生成的 PDF 中的图像总是被切片,因此一个图像会产生多个图像文件。
有什么技巧可以避免这种情况吗?我怎样才能使用 的结果pdfshow
?将 PDF 转换为 PNG 或 JPEG 后,是否有坐标可以知道剪切/裁剪图像的位置、高度和宽度?
到目前为止,使用pdfimages
和mupdf
/的图像提取工作正常。mutool
使用 FreePDF 生成的 PDF 中的图像总是被切片,因此一个图像会产生多个图像文件。
有什么技巧可以避免这种情况吗?我怎样才能使用 的结果pdfshow
?将 PDF 转换为 PNG 或 JPEG 后,是否有坐标可以知道剪切/裁剪图像的位置、高度和宽度?
您的图像在提取后被“切片”的最可能原因是:它们在提取它们之前已经被“切片” - 作为它们在 PDF 文件本身中的生活方式。
不要问我为什么某些 PDF 生成软件会这样做。
1x1
MS Powerpoint 因这一点而臭名昭著——显示一些渐变的背景图像通常会在 PDF中被分割成数万像素1x2
或1x8
类似大小的迷你图像。
可以使用pdfimages -list
命令识别示例 PDF 的图像片段(这需要pdfimages
基于 Poppler fork 的最新版本,而不是那个xpdf
!):
pdfimages -list so-28023312-test1.pdf
page num type width height color comp bpc enc interp objectID x-ppi y-ppi size ratio
------------------------------------------------------------------------------------------
1 0 image 271 271 rgb 3 8 jpeg no 18 0 163 163 26.7K 12%
1 1 image 271 271 rgb 3 8 jpeg no 19 0 163 163 21.7K 10%
1 2 image 271 271 rgb 3 8 jpeg no 30 0 163 163 22.9K 11%
1 3 image 271 271 rgb 3 8 jpeg no 31 0 163 163 21.8K 10%
1 4 image 132 271 rgb 3 8 jpeg no 32 0 162 163 9895B 9.2%
1 5 image 271 271 rgb 3 8 jpeg no 33 0 163 163 22.5K 10%
1 6 image 271 271 rgb 3 8 jpeg no 34 0 163 163 16.5K 7.7%
1 7 image 271 271 rgb 3 8 jpeg no 35 0 163 163 16.9K 7.9%
1 8 image 271 271 rgb 3 8 jpeg no 36 0 163 163 20.3K 9.4%
1 9 image 132 271 rgb 3 8 jpeg no 37 0 162 163 14.5K 14%
1 10 image 271 271 rgb 3 8 jpeg no 20 0 163 163 17.1K 8.0%
1 11 image 271 271 rgb 3 8 image no 21 0 163 163 107K 50%
1 12 image 271 271 rgb 3 8 image no 22 0 163 163 96.7K 45%
1 13 image 271 271 rgb 3 8 image no 23 0 163 163 119K 56%
1 14 image 132 271 rgb 3 8 jpeg no 24 0 162 163 10.7K 10%
1 15 image 271 99 rgb 3 8 jpeg no 25 0 163 161 7789B 9.7%
1 16 image 271 99 rgb 3 8 jpeg no 26 0 163 161 6456B 8.0%
1 17 image 271 99 rgb 3 8 jpeg no 27 0 163 161 7202B 8.9%
1 18 image 271 99 rgb 3 8 jpeg no 28 0 163 161 8241B 10%
1 19 image 132 99 rgb 3 8 jpeg no 29 0 162 161 5905B 15%
因为 1 页只有 20 个不同的片段,所以很容易...
以下命令将提取片段并尝试将它们保存为 JPEG ( -j
) 28023312:
pdfimages so-28023312-test1.pdf 28023312
有 3 张图像以 PPM 形式出现。使用 ImageMagickconvert
从它们制作 JPEG(不是严格要求,但它简化了“拼接”命令行:
for i in 11 12 13; do
convert 28023312-0${i}.ppm 28023312-0${i}.jpg
done
以下是前三个片段,280233312-000.jpg、280233312-001.jpg 和 280233312-002.jpg:
ImageMagick 可以再次将 20 张图像拼接在一起。查看 PDF 页面以及 20 个 JPEG 时,很容易确定它们需要放在一起的顺序:
convert \
\( 28023312-0{00,01,02,03,04}.jpg +append \) \
\( 28023312-0{05,06,07,08,09}.jpg +append \) \
\( 28023312-0{10,11,12,13,14}.jpg +append \) \
\( 28023312-0{15,16,17,18,19}.jpg +append \) \
-append \
complete.jpg
剖析命令:
+append
图像运算符以水平顺序附加所有列出的图像。
这些\( ... \)
线表示图像堆栈的相应部分的“备用”处理(需要用转义的括号分隔)。然后,此水平附加操作的结果将替换当前图像堆栈中的各个片段。
最后的-append
图像操作符垂直附加当前图像。
这是生成的 JPEG,再次完全拼接在一起:
理论上,我们可以自动化这个过程。为此,我们必须分析 PDF 源代码。然而,这是相当困难的,因为内容流可能被压缩。
为了解压缩所有或大部分内容流并更好地表示 PDF 文件结构,我们可以使用mutool clean -d
,podofouncompress
或qpdf --qdf
.
我更喜欢qpdf,即“结构化的、保留内容的 PDF 文件转换器”。这是命令:
qpdf --qdf --object-streams=disable so-28023312-test1.pdf qdf.pdf
生成的 PDF 文件qdf.pdf
更易于分析,因为大多数(但不是全部)以前的二进制部分现在都是 ASCII 格式。当您在此文件中搜索出现的 时Do
,您将看到图像插入的位置(但是,我无法在此处为您提供完整的 PDF 分析教程,抱歉...)。
以下命令打印Do
出现的所有行以及前一行 ( -B 1
):
grep -a -B 1 " Do" qdf.pdf
1002 0 0 1002 236 5776.67 cm
/Im0 Do
--
1001 0 0 1002 1237 5776.67 cm
/Im1 Do
--
120.12 0 0 120.24 268.44 693.2004 cm
/Im2 Do
--
[...skipping 15 other output segments...]
--
1002 0 0 369 3237 3406.67 cm
/Im18 Do
--
490 0 0 369 4238 3406.67 cm
/Im19 Do
--
1 0 0 1 204.9037018 508.5130005 cm
/Fm0 Do
所有的/ImNN Do
行都插入图像(/Fm0 Do
行是指表单对象而不是图像)。
前面几行,例如490 0 0 369 4238 3406.67 cm
设置当前的变换矩阵。仅从这一行,有时就可以推断出图像的位置及其大小。在这个文件的情况下,这还不够——为了确定当前的“绘图位置”,还需要更多前行的内容。
FreePDF 使用 Ghostscript 并创建一个“虚拟打印机”。当您“打印到 PDF”时,实际发生的是您的应用程序打印到 Windows 打印管道,该管道将图形基元发送到 Windows PostScript 打印机驱动程序,后者将 PostScript 发送到端口监视器。FreePDF 端口监视器将此 PostScript 程序存储在磁盘上。输出完成后,它会启动 Ghostscript,它会解释 PostScript 并生成 PDF 文件。
现在,除非您使用的是非常老的 Ghostscript 版本(这是可能的,您应该检查一下!)这将获取输入中的任何内容并将其放入输出中。它不会分割图像。
这意味着,正如 Kurt 和 David 上面所说的,问题的真正原因是 PostScript 程序在 Ghostscript 看到它之前就已经将其中的图像分割了。
现在我知道通常情况并非如此,但这在很大程度上取决于您安装的 PostScript 打印机驱动程序、其配置方式、您使用的 Windows 版本以及驱动打印机的应用程序是什么。
正如大卫所说的那样,Microsoft Office 应用程序有一个以这种方式绘制某些类型图案的坏习惯(为了获得“半透明效果”,他们使用单元格是图像掩码的图案,“白色”像素是透明的)。
此外,如果您有大照片(例如)并且 PostScript 打印机配置了最小内存,驱动程序可能会拆分图像,以免耗尽打印机的内存。显然这是一个配置问题,因为在台式电脑上,您必须使用怪物图像来压倒 Ghostscript。
因此,基本上,我们需要您提供更多信息才能完全回答这个问题,但原则是损坏在它到达 FreePDF 之前就已经造成。用于创建 PDF 文件的 Ghostscript 版本将在 PDF 文件元数据中,除非 FreePDF 选择擦除/覆盖它。
最后,正如 Kurt 所指出的,您应该发布指向 PDF 文件的链接,最好是发布用于生成 PDF 的应用程序文件和中间 PostScript 文件。