1

我已经尝试了大约一周的时间来自动从 pdf 中提取图像。不幸的是，我在这里找到的答案没有帮助。我已经看到使用 pypdf2 对同一代码进行多种变体，所有变体都包含['/XObject']在其中，这导致KeyError.

我正在寻找的似乎隐藏在流中，我在 's 的字典中找不到pypdf2（即使在递归探索整个结构后，调用.getObject()我能找到的每个间接对象）。

使用pypdf2我已经从 pdf 中写出一页并使用 , 打开它Notepad++，以找到一些带有/FlateDecode过滤器的流。

pdfrw稍微有帮助，让我可以PdfReader(path).pages[page].Contents.stream用来获取A流（不知道如何获取其他流）。

使用zlib，我将其解压缩，并得到以下内容：

/Part <</MCID 0 >>BDC

（它还包含很多浮点数，正负都有）

据我BDC所知，与ghostscript有关。

此时我放弃了，决定寻求帮助。

是否有python工具至少可以提取所有流（并识别FlateDecode标签？）

有没有办法让我识别其中隐藏的内容？我期望某些图像格式的开始标签，这显然不是。如何进一步解析此结果以找到可能隐藏在其中的任何图像？

我正在寻找可以应用于任何正确显示的 PDF 的东西。一些工具可以进一步解析，或者至少可以帮助我理解流，甚至是可以帮助我理解正在发生的事情的参考。

编辑：正如帕特里克所说，我似乎在叫错树。xObjects我去了流，因为在打开 PDFNotepad++或运行用于解析 PDF 的各种 python 脚本时找不到任何内容。我设法找到了我怀疑的图像，没有xObject标签，但看起来像一个流标签 - 尽管信息没有被压缩。

4

1 回答 1

0

除非您要提取不常见的内联图像，否则内容流不是查找图像的地方。更常见的情况是 XObject 类型的流，子类型 Image，通常可以在页面的 Resource->XObject 字典中找到（请参阅@mkl 指示的 PDF 参考的第 7.3.3、7.8.3 和 8.95 节）。

或者，Image XObjects 也可以在它们自己的 Resource->XObject 字典中的 Form XObjects（子类型 Form，表示它们有自己的内容流）中找到，因此对 Image XObjects 的搜索可以是递归的。

一个 Image XObject 也可以有一个 softMask，它本身就是它自己的 Image XObject。Form XObjects 也用于 Tiling Patterns，因此可以想象包含 Image XObjects（但它们也不那么常见），或用于 Annotation 的 Normal Appearance（但 Image XObjects 在此类 Annotations 中不太常用，除了可能是 3D 或多媒体注释）。

于 2017-08-08T15:11:56.187 回答