pdf - 是否可以在没有外部库的情况下从 PDF 中提取 tiff 文件？

Question

我能够使用Ned Batchelder 的 Python 代码（我将其转换为 C++）从 pdf 文件中提取 jpg。我想知道是否可以使用相同的技术来提取 tiff 文件，如果可以，有人知道找到它们的适当偏移量和标记吗？谢谢，大卫

Answer 1

PDF 文件可能包含不同的图像数据（不足为奇）。

最常见的情况是：

• 传真数据（CCITT Group 3 和 4）
• 具有解码参数和可选调色板的原始栅格数据均使用 Deflate 或 LZW 压缩进行压缩
• JPEG数据

最近，我（作为 PDF 库的开发人员）开始注意到越来越多的带有 JBIG2 图像数据的 PDF。此外，JPEG2000 有时可以放入 PDF。

我应该说，您可能可以在没有外部库的情况下将 JPEG/JBIG2/JPEG2000 数据提取到相应的 //*.jpeg文件中，但要为损坏的生成器发出的各种奇怪的 PDF 做好准备。此外，PDF 经常使用对象流，因此您需要为 PDF 实现复杂的解析器。*.jp2*.jpx

传真数据（即您可能称之为 TIFF）至少应该被打包到一个有效的 TIFF 中。例如，您可以从开源 libtiff 借用一些代码。

然后是原始栅格数据。我认为在没有图书馆帮助的情况下尝试提取此类数据是没有意义的。当然，你可以这样做，但这需要几个月的工作。

因此，如果您尝试从使用相同生成器创建的一组 PDF 中仅提取特定类型的图像数据，那么您的任务可能是可行的。在所有其他情况下，我建议节省时间、金钱和头发，并使用库来完成任务。

Answer 2

PDF 文件将 Jpeg 存储为实际的 JPEGS（DCT 和 JPX 编码），因此在大多数情况下，您可以将数据提取出来。使用 Tiffs，您正在寻找 CCITT 数据（但您需要向数据添加标题以使其成为 Tiff）。我在http://www.jpedal.org/PDFblog/2010/09/understanding-the-pdf-file-format-images/和http://www.jpedal.org/上写了 2 篇关于 PDF 文件图像的博客文章PDFblog/2011/07/extract-raw-jpeg-images-from-a-pdf-file/这可能会有所帮助。