使用 PyPDF 从 PDF 中提取图像而 xObject 中没有“/Filter”标签

如何解决使用 PyPDF 从 PDF 中提取图像而 xObject 中没有“/Filter”标签

目前正在使用类似的方法从 PDF 中提取图像:

import PyPDF4
from PIL import Image
from pathlib import Path
import os

PDFFilePath = Path("somefile.pdf")
OutputFolder = "somedirectory"
pdfpage = 0

with open(PDFFilePath,'rb') as pdf_reader:
    pdf_object = PyPDF4.PdfFileReader(pdf_reader)
    PageFolder = Path(OutputFolder).joinpath(Path(PDFFilePath.stem + '.'+ str(pdfPage)))
    if not PageFolder.exists():
        os.makedirs(PageFolder)

    CurrentPage = pdf_object.getPage(pdfPage)
    xObject = CurrentPage['/Resources']['/XObject'].getObject()

    for obj_index,obj in enumerate(xObject):
        if xObject[obj]['/Subtype'] == '/Image':
            size = (xObject[obj]['/Width'],xObject[obj]['/Height'])
            data = xObject[obj].getData()
            if xObject[obj]['/ColorSpace'] == '/DeviceRGB':
                mode = "RGB"
            else:
                mode = "P"

            if xObject[obj]['/Filter'] == '/FlateDecode':
                img = Image.frombytes(mode,size,data)
                img.save(PageFolder.joinpath(Path(PDFFilePath).stem +"."+ str(pdfPage) + "."+ str(obj_index) + ".png"),'wb')
            elif xObject[obj]['/Filter'] == '/DCTDecode':
                img = open(PageFolder.joinpath(Path(PDFFilePath).stem +"."+ str(pdfPage) + "."+ str(obj_index)+ ".jpg"),'wb')
                img.write(data)
                img.close()
            elif xObject[obj]['/Filter'] == '/JPXDecode':
                img = open(PageFolder.joinpath(Path(PDFFilePath).stem +"."+ str(pdfPage) + "."+ str(obj_index)+ ".jp2"),'wb')
                img.write(data)
                img.close()
            elif xObject[obj]['/Filter'] == '/CCITTFaxDecode':
                img = open(PageFolder.joinpath(Path(PDFFilePath).stem +"."+ str(pdfPage) + "."+ str(obj_index)+ ".tiff"),'wb')
                img.write(data)
                img.close()

我遇到了一堆在 xObject[obj]['/Filter'] 部分没有“/Filter”的 PDF。我尝试通过 Pillow 从 data = xObject[obj].getdata() 中提取原始图像,但抛出“没有足够数据”的错误。如果使用 None

,OpenCV 返回 cv2.imdecode

所提供的 PDF 是保密的,因此我无法提供样本。

仍然使用 PyPDF4 的解决方案会很好。

编辑:OpenCV 图像阅读器

OpenCV 部分(我从代​​码中删除了它,如果没有检测到'/Filter' 就会去)

cv_color_space = cv2.IMREAD_COLOR if mode == "RGB" else cv2.IMREAD_GRAYSCALE
buf = np.frombuffer(data,np.uint8)
img = cv2.imdecode(buf,cv_color_space)
cv2.imwrite("outputfile.png",img)

解决方法

这些图像显然是 .tiff 图像,但没有标题。 我发现了这个:https://stackoverflow.com/a/34555343/13919892

我将此函数添加到我的代码中:

import struct

def tiff_header_for_CCITT(width,height,img_size,CCITT_group=4):
    tiff_header_struct = '<' + '2s' + 'h' + 'l' + 'h' + 'hhll' * 8 + 'h'
    return struct.pack(tiff_header_struct,b'II',# Byte order indication: Little indian
                       42,# Version number (always 42)
                       8,# Offset to first IFD
                       8,# Number of tags in IFD
                       256,4,1,width,# ImageWidth,LONG,width
                       257,# ImageLength,lenght
                       258,3,# BitsPerSample,SHORT,1
                       259,CCITT_group,# Compression,4 = CCITT Group 4 fax encoding
                       262,# Threshholding,0 = WhiteIsZero
                       273,struct.calcsize(tiff_header_struct),# StripOffsets,len of header
                       278,# RowsPerStrip,lenght
                       279,# StripByteCounts,size of image
                       0  # last IFD
                       )

然后将此添加到我的代码中:

if not '/Filter' in xObject[obj]:
    tiff_header = tiff_header_for_CCITT(size[0],size[1],len(data),1) # Using the group "1" because it works for some reason
    inv_data = bytes((~bit + 256 for bit in data)) # for some reason the bits are inverted?
    tiff_data = tiff_header + inv_data # Add the header to the inverted data
    # Write the tiff file
    img = open(PageFolder.joinpath(Path(PDFFilePath).stem +"."+ str(pdfPage) + "."+ str(obj_index)+ ".tiff"),'wb')
    img.write(tiff_data)
    img.close()
    continue

我需要知道如何确定位是否需要反转或使用什么“CCITT Group”。

我会将其标记为答案,也许只是为此提出一个新问题。

版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。

相关推荐


依赖报错 idea导入项目后依赖报错,解决方案:https://blog.csdn.net/weixin_42420249/article/details/81191861 依赖版本报错:更换其他版本 无法下载依赖可参考:https://blog.csdn.net/weixin_42628809/a
错误1:代码生成器依赖和mybatis依赖冲突 启动项目时报错如下 2021-12-03 13:33:33.927 ERROR 7228 [ main] o.s.b.d.LoggingFailureAnalysisReporter : *************************** APPL
错误1:gradle项目控制台输出为乱码 # 解决方案:https://blog.csdn.net/weixin_43501566/article/details/112482302 # 在gradle-wrapper.properties 添加以下内容 org.gradle.jvmargs=-Df
错误还原:在查询的过程中,传入的workType为0时,该条件不起作用 &lt;select id=&quot;xxx&quot;&gt; SELECT di.id, di.name, di.work_type, di.updated... &lt;where&gt; &lt;if test=&qu
报错如下,gcc版本太低 ^ server.c:5346:31: 错误:‘struct redisServer’没有名为‘server_cpulist’的成员 redisSetCpuAffinity(server.server_cpulist); ^ server.c: 在函数‘hasActiveC
解决方案1 1、改项目中.idea/workspace.xml配置文件,增加dynamic.classpath参数 2、搜索PropertiesComponent,添加如下 &lt;property name=&quot;dynamic.classpath&quot; value=&quot;tru
删除根组件app.vue中的默认代码后报错:Module Error (from ./node_modules/eslint-loader/index.js): 解决方案:关闭ESlint代码检测,在项目根目录创建vue.config.js,在文件中添加 module.exports = { lin
查看spark默认的python版本 [root@master day27]# pyspark /home/software/spark-2.3.4-bin-hadoop2.7/conf/spark-env.sh: line 2: /usr/local/hadoop/bin/hadoop: No s
使用本地python环境可以成功执行 import pandas as pd import matplotlib.pyplot as plt # 设置字体 plt.rcParams[&#39;font.sans-serif&#39;] = [&#39;SimHei&#39;] # 能正确显示负号 p
错误1:Request method ‘DELETE‘ not supported 错误还原:controller层有一个接口,访问该接口时报错:Request method ‘DELETE‘ not supported 错误原因:没有接收到前端传入的参数,修改为如下 参考 错误2:cannot r
错误1:启动docker镜像时报错:Error response from daemon: driver failed programming external connectivity on endpoint quirky_allen 解决方法:重启docker -&gt; systemctl r
错误1:private field ‘xxx‘ is never assigned 按Altʾnter快捷键,选择第2项 参考:https://blog.csdn.net/shi_hong_fei_hei/article/details/88814070 错误2:启动时报错,不能找到主启动类 #
报错如下,通过源不能下载,最后警告pip需升级版本 Requirement already satisfied: pip in c:\users\ychen\appdata\local\programs\python\python310\lib\site-packages (22.0.4) Coll
错误1:maven打包报错 错误还原:使用maven打包项目时报错如下 [ERROR] Failed to execute goal org.apache.maven.plugins:maven-resources-plugin:3.2.0:resources (default-resources)
错误1:服务调用时报错 服务消费者模块assess通过openFeign调用服务提供者模块hires 如下为服务提供者模块hires的控制层接口 @RestController @RequestMapping(&quot;/hires&quot;) public class FeignControl
错误1:运行项目后报如下错误 解决方案 报错2:Failed to execute goal org.apache.maven.plugins:maven-compiler-plugin:3.8.1:compile (default-compile) on project sb 解决方案:在pom.
参考 错误原因 过滤器或拦截器在生效时,redisTemplate还没有注入 解决方案:在注入容器时就生效 @Component //项目运行时就注入Spring容器 public class RedisBean { @Resource private RedisTemplate&lt;String
使用vite构建项目报错 C:\Users\ychen\work&gt;npm init @vitejs/app @vitejs/create-app is deprecated, use npm init vite instead C:\Users\ychen\AppData\Local\npm-