ruby - 无法从特定 PDF 中提取文本和图像

Question

谁能告诉我如何从 PDF 中提取所有文本和图像。我能够在类似的场景中提取图像，我使用 Google Docs 创建了一个包含几行文本和 2 个 png 图像的 PDF。但是，我无法从样本 pdf 中提取图像.

我尝试过以下方法:

在 ruby 中:

1)“pdf-reader”gem，仅支持提取少数格式的图像。

2)“docsplit”gem，它只能提取文本，无法提取图像。

命令行实用程序:

1)“pdfimages”工具，仅支持提取少数格式的图像。

Java 库:

1)“pdfbox”库，仅支持提取少数格式的图像。

Answer 1

1.

提取文本:

pdftotext -layout the.pdf -

将所有页面的文本提取到 <stdout> .

pdftotext -layout -nopgbrk the.pdf the-3-5.txt

将所有页面的文本提取到文件the.txt ，并且不要插入这些讨厌的 ^L 字符表示新页面。

pdftotext -f 3 -l 5 -layout the.pdf -

将第 3--5 页的文本提取到-3-5.txt。

2.

提取图像

pdfimages -f 4 -l 7 -j the.pdf myprefix--

将第 4 页到第 7 页的所有图像提取为 JPEG(如果可能!)，并使用前缀 myprefix--- 命名它们。 .

如果无法提取为 JPEG，图像将提取为纯栅格 PPM或PGM .

pdfimages的最新版本(Poppler 叉)让您指定 -png (以及更多)将所有图像获取为 PNG。

使用最新版本pdfimages为您提供以下选项:

$ pdfimages -h

   pdfimages version 0.33.0
   Copyright 2005-2015 The Poppler Developers - http://poppler.freedesktop.org
   Copyright 1996-2011 Glyph & Cog, LLC
   Usage: pdfimages [options] <PDF-file> <image-root>
     -f <int>       : first page to convert
     -l <int>       : last page to convert
     -png           : change the default output format to PNG
     -tiff          : change the default output format to TIFF
     -j             : write JPEG images as JPEG files
     -jp2           : write JPEG2000 images as JP2 files
     -jbig2         : write JBIG2 images as JBIG2 files
     -ccitt         : write CCITT images as CCITT files
     -all           : equivalent to -png -tiff -j -jp2 -jbig2 -ccitt
     -list          : print list of images instead of saving
     -opw <string>  : owner password (for encrypted files)
     -upw <string>  : user password (for encrypted files)
     -p             : include page numbers in output file names
     -q             : don't print any messages or errors
     [....]

您还想要什么图像格式？如果您需要其他格式，请使用 ImageMagick 的 convert命令。

此外，PDF 中没有嵌入其他“格式”。

基本上，嵌入 PDF 中的图像的唯一压缩方法是:

• JPEG(然后 /DCTDEcode 过滤器被提及作为 PDF 查看器的解压缩提示)，
• JBIG2 (/JBIG2Encode)，
• 传真压缩 ( CCITTFaxDecode ) 和
• JPEG2000 (JPXDecode)。

无论如何，嵌入 PDF 中的所有其他图像基本上都是纯光栅数据( PPM 或 PGM )，并且它们的 PDF 内部压缩是可用于一般流的其他标准压缩方法之一压缩:

• /FlateDecode (ZIP/Deflate 算法)，
• /LZWDecode (Lempel-Ziv-Welch 算法)和
• /RunLengthDecode .

---

更新

抱歉，我现在才有时间查看您链接的示例 PDF。

正如 @mkl 在他的评论中所写，看起来像图像的并不总是 PDF 技术用语中的图像。例如，在 PDF 的第 7 页上有一个(著名的)虎头。它完全由向量元素组成，这些向量元素内联放置在页面的 /Contents 中。溪流。 所描绘的棋盘也是如此。

我相信老虎图像是在几十年前刚刚发布时借助某些矢量图形程序(Adobe Illustator？)设计的，并导出为 EPS。在某些情况下，PDF 查看器现在可以从其他内容中识别内联向量元素(可能是简单的水平线)。除非这些向量元素被“分组”到 XObject 中(pdfimages 也无法提取，但这将有助于手动隔离和提取...)

我知道的任何工具(免费开源软件，或免费的闭源软件)都无法自动提取这些向量元素。

PDF 术语中的“真实”图像是像素数据的矩形。这些是唯一可以通过 pdfimages 等工具提取的图像类型。 .