python - 使用 python 查找和识别 PDF 中的流

Question

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任何帮助。我使用 pypdf2 看到了同一代码的多种变体，全部带有 ['/XObject']其中，结果是 KeyError .

我正在寻找的内容似乎隐藏在流中，我在 pypdf2 中找不到它的字典(即使在递归地探索整个结构之后，在我能找到的每个间接对象上调用 .getObject() )。

使用pypdf2我已经写了一页pdf并使用Notepad++打开它，查找一些带有 /FlateDecode 的流过滤。

pdfrw稍微更有帮助，允许我使用 PdfReader(path).pages[page].Contents.stream获取A流(不知道如何获取其他流)。

使用zlib ，我将其解压，得到了以下内容:

/Part <</MCID 0 >>BDC

(它还包含很多 float ，有正数和负数)

据我所知，BDC与 Ghostscript 有关。

此时我放弃了并决定寻求帮助。

是否有一个 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？我期望某种图像格式的开始标签，但这显然不是。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。一些进一步解析的工具，或者至少帮助我理解流，甚至是一个可以帮助我理解正在发生的事情的引用。

编辑:正如帕特里克所说，我似乎找错了树。我去了流，因为我找不到任何xObjects打开 Notepad++ 中的 PDF 时，或者运行用于解析 PDF 的各种 python 脚本时。我设法找到了我怀疑的图像，没有 xObject标签，但看起来像流标签 - 尽管信息未压缩。

Answer 1

除非您想要提取内嵌图像(这并不常见)，否则内容流不是查找图像的地方。更常见的情况是 XObject 类型、图像子类型的流，通常可以在页面的 Resource->XObject 字典中找到(请参阅@mkl 指示的 PDF 引用的第 7.3.3、7.8.3 和 8.95 节)。

或者，图像 XObject 也可以在其自己的 Resource->XObject 字典中的 Form XObject(Form 子类型，这表明它们有自己的内容流)中找到，因此对 Image XObject 的搜索可以是递归的。

图像 XObject 还可以有一个 softMask，它本身就是它自己的图像 XObject。表单 XObject 也用于平铺模式，因此可以想象包含图像 XObject(但它们也不常见)，或用于注释的正常外观(但图像 XObject 在此类注释中不太常用，除了 3D 或多媒体注释)。