我有一堆 PDF 文件，其中一些是纯文本，但有些完全或部分保存为“每页一个图像”，因为它们是从扫描仪生成的。
我需要提取PDF 中包含的所有图像，然后分别检查每个图像。
我能够使用在 SO 中找到的 python 脚本提取大部分图像，请参见问题：
一些包含的图像是使用 JBIG2 编码的，我找不到任何 python 或其他工具来将 jbig2 转换为可以用通用图形工具轻松打开的东西。
问问题
717 次
1 回答
3
好吧，我已经为此苦苦挣扎了好几个星期，SO 的许多答案帮助我度过了难关，但总是缺少一些东西，显然这里没有人遇到过 jbig2 编码图像的问题。
在我要扫描的一堆 PDF 中，用 jbig2 编码的图像非常受欢迎。
据我了解，有许多复印/扫描机器可以扫描纸张并将其转换为充满 jbig2 编码图像的 PDF 文件。
因此，经过多天的测试，决定寻找dkagedal 很久以前在这里提出的答案。
这是我在 linux 上的一步一步：（如果你有另一个操作系统，我建议使用 linux docker，它会容易得多。）
第一步：
apt-get install poppler-utils 然后我能够像这样运行名为 pdfimages 的命令行工具：
pdfimages -all myfile.pdf ./images_found/
使用上述命令，您将能够提取myfile.pdf 中包含的所有图像，并将它们保存在 images_found 中（您必须先创建 images_found ）
在列表中，您可以找到几种类型的图像（取决于您的 pdf），例如：png、jpg、tiff；所有这些都可以使用任何图形工具轻松阅读。
然后你将有一些文件命名为：-145.jb2e 和 -145.jb2g。
这 2 个文件包含一个用 jbig2 编码的图像，它保存在 2 个不同的文件中，一个用于标题，一个用于数据
同样，我花了很多天试图找出如何将这些文件转换为可读的东西，最后我遇到了这个名为jbig2dec的工具
所以首先你需要安装这个神奇的工具：
apt-get 安装 jbig2dec
然后你可以运行：
jbig2dec -t png -145.jb2g -145.jb2e
您最终将能够将所有提取的图像转换成有用的东西。
祝你好运！
于 2020-03-25T14:40:27.903 回答