3

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？

4

2 回答 2

6

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。

1x1MS 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。

更新

1. 确定问题的范围

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...

  1. ...首先将它们全部提取并将它们转换为 JPEG，然后
  2. ...然后再次将它们缝合在一起。

2. 将片段提取为 JPEG

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：

  

3.再次将20个片段缝合在一起

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：

  1. +append 图像运算符以水平顺序附加所有列出的图像。

  2. 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。

  3. 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：

拼接在一起：最终图像

这可以自动化吗？

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。

于 2015-01-19T14:56:11.833 回答
2

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。

于 2015-01-19T15:24:18.617 回答