python - 在python中从PDF中提取图像

Question

我正在尝试使用 PyPDF2 从 pdf 中提取图像，但是当我的代码获取它时，图像与其实际外观非常不同，请看下面的示例:


但它应该是这样的:



这是我正在使用的pdf:

https://www.hbp.com/resources/SAMPLE%20PDF.pdf

这是我的代码:

pdf_filename = "SAMPLE.pdf"
pdf_file = open(pdf_filename, 'rb')
cond_scan_reader = PyPDF2.PdfFileReader(pdf_file)
page = cond_scan_reader.getPage(0)

xObject = page['/Resources']['/XObject'].getObject()
i = 0
for obj in xObject:
    # print(xObject[obj])
    if xObject[obj]['/Subtype'] == '/Image':
        if xObject[obj]['/Filter'] == '/DCTDecode':
            data = xObject[obj]._data
            img = open("{}".format(i) + ".jpg", "wb")
            img.write(data)
            img.close()
            i += 1 

因为我需要将图像保持在它的颜色模式，如果它是 CMYK，我不能将它转换为 RBG，因为我需要这些信息。
另外，我试图从我从 pdf 获得的图像中获取 dpi，该信息是否始终存储在图像中？
提前致谢

Answer 1

我用过 pdfreader从您的示例中提取图像。
图像使用 ICCBased 色彩空间，N=4，Intent 值为 RelativeColorimetric。这意味着“最接近”的 PDF 色彩空间是 DeviceCMYK。

您所需要的只是将图像转换为 RGB 并反转颜色。

这是代码:

from pdfreader import SimplePDFViewer
import PIL.ImageOps 

fd = open("SAMPLE PDF.pdf", "rb")
viewer = SimplePDFViewer(fd)

viewer.render()
img = viewer.canvas.images['Im0']

# this displays ICCBased 4 RelativeColorimetric
print(img.ColorSpace[0], img.ColorSpace[1].N, img.Intent)

pil_image = img.to_Pillow()
pil_image = pil_image.convert("RGB")
inverted = PIL.ImageOps.invert(pil_image)


inverted.save("sample.png")

阅读有关 PDF 对象的更多信息:图像 (sec. 8.9.5) , InlineImage (sec. 8.9.7)