Wie kann man alle Bilder aus einem PDF-Dokument mit nativer Auflösung und Format extrahieren? (Bedeutung tiff als tiff extrahieren, jpeg als jpeg usw. und ohne Resampling). Das Layout ist unwichtig, es ist mir egal, wo sich das Quellbild auf der Seite befindet.
Ich verwende Python 2.7, kann aber bei Bedarf 3.x verwenden.
Antworten:
Sie können das Modul PyMuPDF verwenden. Dies gibt alle Bilder als PNG-Dateien aus, hat aber sofort funktioniert und ist schnell.
import fitz
doc = fitz.open("file.pdf")
for i in range(len(doc)):
for img in doc.getPageImageList(i):
xref = img[0]
pix = fitz.Pixmap(doc, xref)
if pix.n < 5: # this is GRAY or RGB
pix.writePNG("p%s-%s.png" % (i, xref))
else: # CMYK: convert to RGB first
pix1 = fitz.Pixmap(fitz.csRGB, pix)
pix1.writePNG("p%s-%s.png" % (i, xref))
pix1 = None
pix = None
pip install pymudfzuerst offensichtlich benötigt)
pip install pymupdffür die anderen Googler, die sich fragen, warum die obige Installation fehlschlägt
RuntimeError: pixmap must be grayscale or rgb to write as pngKann mir jemand helfen, den ich mit diesem Code bekomme ?
In Python mit PyPDF2- und Pillow-Bibliotheken ist es einfach:
import PyPDF2
from PIL import Image
if __name__ == '__main__':
input1 = PyPDF2.PdfFileReader(open("input.pdf", "rb"))
page0 = input1.getPage(0)
xObject = page0['/Resources']['/XObject'].getObject()
for obj in 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(obj[1:] + ".png")
elif xObject[obj]['/Filter'] == '/DCTDecode':
img = open(obj[1:] + ".jpg", "wb")
img.write(data)
img.close()
elif xObject[obj]['/Filter'] == '/JPXDecode':
img = open(obj[1:] + ".jp2", "wb")
img.write(data)
img.close()
NotImplementedError: unsupported filter /DCTDecodeoder ... /JPXDecodevon xObject[obj].getData()den ersten paar PDFs, die ich getestet habe. Details unter gist.github.com/maphew/fe6ba4bf9ed2bc98ecf5
ValueError: not enough image datafür dctdecode eingebettete Bilder und unsupported filter /JPXDecodeauf ein anderes pdf.
KeyError:/Filter. Ich habe das Wesentliche entsprechend aktualisiert. Die PDF-Dateien sind nur zufällige aus dem Netz. Das Wesentliche hat Quelllinks.
Oft wird das Bild in einer PDF-Datei einfach so gespeichert, wie sie ist. Beispielsweise hat eine PDF-Datei mit einem eingefügten JPG einen Bytebereich in der Mitte, der beim Extrahieren eine gültige JPG-Datei ist. Sie können dies verwenden, um ganz einfach Bytebereiche aus dem PDF zu extrahieren. Ich habe vor einiger Zeit darüber geschrieben, mit Beispielcode: JPGs aus PDFs extrahieren .
startmark? Sie könnten einfach anfangen zu suchen, startmarkda dies der Beginn von JPG ist. Nein? und was ist der Sinn der startfixVariablen, Sie ändern es überhaupt nicht ..
In Python mit PyPDF2 für CCITTFaxDecode-Filter:
import PyPDF2
import struct
"""
Links:
PDF format: http://www.adobe.com/content/dam/Adobe/en/devnet/acrobat/pdfs/pdf_reference_1-7.pdf
CCITT Group 4: https://www.itu.int/rec/dologin_pub.asp?lang=e&id=T-REC-T.6-198811-I!!PDF-E&type=items
Extract images from pdf: http://stackoverflow.com/questions/2693820/extract-images-from-pdf-without-resampling-in-python
Extract images coded with CCITTFaxDecode in .net: http://stackoverflow.com/questions/2641770/extracting-image-from-pdf-with-ccittfaxdecode-filter
TIFF format and tags: http://www.awaresystems.be/imaging/tiff/faq.html
"""
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, 1, width
257, 4, 1, height, # ImageLength, LONG, 1, lenght
258, 3, 1, 1, # BitsPerSample, SHORT, 1, 1
259, 3, 1, CCITT_group, # Compression, SHORT, 1, 4 = CCITT Group 4 fax encoding
262, 3, 1, 0, # Threshholding, SHORT, 1, 0 = WhiteIsZero
273, 4, 1, struct.calcsize(tiff_header_struct), # StripOffsets, LONG, 1, len of header
278, 4, 1, height, # RowsPerStrip, LONG, 1, lenght
279, 4, 1, img_size, # StripByteCounts, LONG, 1, size of image
0 # last IFD
)
pdf_filename = 'scan.pdf'
pdf_file = open(pdf_filename, 'rb')
cond_scan_reader = PyPDF2.PdfFileReader(pdf_file)
for i in range(0, cond_scan_reader.getNumPages()):
page = cond_scan_reader.getPage(i)
xObject = page['/Resources']['/XObject'].getObject()
for obj in xObject:
if xObject[obj]['/Subtype'] == '/Image':
"""
The CCITTFaxDecode filter decodes image data that has been encoded using
either Group 3 or Group 4 CCITT facsimile (fax) encoding. CCITT encoding is
designed to achieve efficient compression of monochrome (1 bit per pixel) image
data at relatively low resolutions, and so is useful only for bitmap image data, not
for color images, grayscale images, or general data.
K < 0 --- Pure two-dimensional encoding (Group 4)
K = 0 --- Pure one-dimensional encoding (Group 3, 1-D)
K > 0 --- Mixed one- and two-dimensional encoding (Group 3, 2-D)
"""
if xObject[obj]['/Filter'] == '/CCITTFaxDecode':
if xObject[obj]['/DecodeParms']['/K'] == -1:
CCITT_group = 4
else:
CCITT_group = 3
width = xObject[obj]['/Width']
height = xObject[obj]['/Height']
data = xObject[obj]._data # sorry, getData() does not work for CCITTFaxDecode
img_size = len(data)
tiff_header = tiff_header_for_CCITT(width, height, img_size, CCITT_group)
img_name = obj[1:] + '.tiff'
with open(img_name, 'wb') as img_file:
img_file.write(tiff_header + data)
#
# import io
# from PIL import Image
# im = Image.open(io.BytesIO(tiff_header + data))
pdf_file.close()
convertverwendet subprocess, um es aufzurufen, aber es ist schmerzhaft langsam. Vielen Dank für das Teilen dieser Lösung
tiff_header_structlesen sollen '<' + '2s' + 'H' + 'L' + 'H' + 'HHLL' * 8 + 'L'. Beachten Sie insbesondere die 'L'am Ende.
Libpoppler wird mit einem Tool namens "pdfimages" geliefert, das genau dies tut.
(Auf Ubuntu-Systemen ist es im Poppler-Utils-Paket enthalten)
http://poppler.freedesktop.org/
http://en.wikipedia.org/wiki/Pdfimages
Windows-Binärdateien: http://blog.alivate.com.au/poppler-windows/
pdfimagesder Installation auf dem Subsystem beruht .
Ich bevorzuge Minecart, da es extrem einfach zu bedienen ist. Das folgende Snippet zeigt, wie Sie Bilder aus einem PDF extrahieren:
#pip install minecart
import minecart
pdffile = open('Invoices.pdf', 'rb')
doc = minecart.Document(pdffile)
page = doc.get_page(0) # getting a single page
#iterating through all pages
for page in doc.iter_pages():
im = page.images[0].as_pil() # requires pillow
display(im)
Hier ist meine Version von 2019, die rekursiv alle Bilder aus PDF abruft und sie mit PIL liest. Kompatibel mit Python 2/3. Ich habe auch festgestellt, dass Bilder in PDF manchmal von zlib komprimiert werden, sodass mein Code die Dekomprimierung unterstützt.
#!/usr/bin/env python3
try:
from StringIO import StringIO
except ImportError:
from io import BytesIO as StringIO
from PIL import Image
from PyPDF2 import PdfFileReader, generic
import zlib
def get_color_mode(obj):
try:
cspace = obj['/ColorSpace']
except KeyError:
return None
if cspace == '/DeviceRGB':
return "RGB"
elif cspace == '/DeviceCMYK':
return "CMYK"
elif cspace == '/DeviceGray':
return "P"
if isinstance(cspace, generic.ArrayObject) and cspace[0] == '/ICCBased':
color_map = obj['/ColorSpace'][1].getObject()['/N']
if color_map == 1:
return "P"
elif color_map == 3:
return "RGB"
elif color_map == 4:
return "CMYK"
def get_object_images(x_obj):
images = []
for obj_name in x_obj:
sub_obj = x_obj[obj_name]
if '/Resources' in sub_obj and '/XObject' in sub_obj['/Resources']:
images += get_object_images(sub_obj['/Resources']['/XObject'].getObject())
elif sub_obj['/Subtype'] == '/Image':
zlib_compressed = '/FlateDecode' in sub_obj.get('/Filter', '')
if zlib_compressed:
sub_obj._data = zlib.decompress(sub_obj._data)
images.append((
get_color_mode(sub_obj),
(sub_obj['/Width'], sub_obj['/Height']),
sub_obj._data
))
return images
def get_pdf_images(pdf_fp):
images = []
try:
pdf_in = PdfFileReader(open(pdf_fp, "rb"))
except:
return images
for p_n in range(pdf_in.numPages):
page = pdf_in.getPage(p_n)
try:
page_x_obj = page['/Resources']['/XObject'].getObject()
except KeyError:
continue
images += get_object_images(page_x_obj)
return images
if __name__ == "__main__":
pdf_fp = "test.pdf"
for image in get_pdf_images(pdf_fp):
(mode, size, data) = image
try:
img = Image.open(StringIO(data))
except Exception as e:
print ("Failed to read image with PIL: {}".format(e))
continue
# Do whatever you want with the image
Ich habe mit dem Code von @sylvain begonnen. Es gab einige Fehler, wie die Ausnahme NotImplementedError: unsupported filter /DCTDecodevon getData oder die Tatsache, dass der Code auf einigen Seiten keine Bilder fand, weil sie sich auf einer tieferen Ebene als die Seite befanden.
Da ist mein Code:
import PyPDF2
from PIL import Image
import sys
from os import path
import warnings
warnings.filterwarnings("ignore")
number = 0
def recurse(page, xObject):
global number
xObject = xObject['/Resources']['/XObject'].getObject()
for obj in xObject:
if xObject[obj]['/Subtype'] == '/Image':
size = (xObject[obj]['/Width'], xObject[obj]['/Height'])
data = xObject[obj]._data
if xObject[obj]['/ColorSpace'] == '/DeviceRGB':
mode = "RGB"
else:
mode = "P"
imagename = "%s - p. %s - %s"%(abspath[:-4], p, obj[1:])
if xObject[obj]['/Filter'] == '/FlateDecode':
img = Image.frombytes(mode, size, data)
img.save(imagename + ".png")
number += 1
elif xObject[obj]['/Filter'] == '/DCTDecode':
img = open(imagename + ".jpg", "wb")
img.write(data)
img.close()
number += 1
elif xObject[obj]['/Filter'] == '/JPXDecode':
img = open(imagename + ".jp2", "wb")
img.write(data)
img.close()
number += 1
else:
recurse(page, xObject[obj])
try:
_, filename, *pages = sys.argv
*pages, = map(int, pages)
abspath = path.abspath(filename)
except BaseException:
print('Usage :\nPDF_extract_images file.pdf page1 page2 page3 …')
sys.exit()
file = PyPDF2.PdfFileReader(open(filename, "rb"))
for p in pages:
page0 = file.getPage(p-1)
recurse(p, page0)
print('%s extracted images'% number)
img = Image.frombytes(mode, size, data) ValueError: not enough image data
KeyError: '/ColorSpace', also würde ich Ihre Leitung durch DeviceRGB durch ersetzen if '/ColorSpace' not in xObject[obj] or xObject[obj]['/ColorSpace'] == '/DeviceRGB':. Jedenfalls hat das am Ende bei mir nicht funktioniert, da die Bilder wahrscheinlich PNG waren (nicht sicher).
xObject[obj]['/Filter']?
Ich habe ImageMagick auf meinem Server installiert und dann Befehlszeilenaufrufe ausgeführt über Popen:
#!/usr/bin/python
import sys
import os
import subprocess
import settings
IMAGE_PATH = os.path.join(settings.MEDIA_ROOT , 'pdf_input' )
def extract_images(pdf):
output = 'temp.png'
cmd = 'convert ' + os.path.join(IMAGE_PATH, pdf) + ' ' + os.path.join(IMAGE_PATH, output)
subprocess.Popen(cmd.split(), stderr=subprocess.STDOUT, stdout=subprocess.PIPE)
Dadurch wird für jede Seite ein Bild erstellt und als temp-0.png, temp-1.png .... gespeichert. Dies ist nur dann "Extraktion", wenn Sie ein PDF mit nur Bildern und ohne Text erhalten haben.
Nach einiger Suche habe ich das folgende Skript gefunden, das sehr gut mit meinen PDFs funktioniert. Es behandelt nur JPG, aber es hat perfekt mit meinen ungeschützten Dateien funktioniert. Außerdem sind keine externen Bibliotheken erforderlich.
Das Drehbuch stammt von Ned Batchelder und nicht von mir. Python3-Code: JPGs aus PDFs extrahieren. Schnell und dreckig
import sys
with open(sys.argv[1],"rb") as file:
file.seek(0)
pdf = file.read()
startmark = b"\xff\xd8"
startfix = 0
endmark = b"\xff\xd9"
endfix = 2
i = 0
njpg = 0
while True:
istream = pdf.find(b"stream", i)
if istream < 0:
break
istart = pdf.find(startmark, istream, istream + 20)
if istart < 0:
i = istream + 20
continue
iend = pdf.find(b"endstream", istart)
if iend < 0:
raise Exception("Didn't find end of stream!")
iend = pdf.find(endmark, iend - 20)
if iend < 0:
raise Exception("Didn't find end of JPG!")
istart += startfix
iend += endfix
print("JPG %d from %d to %d" % (njpg, istart, iend))
jpg = pdf[istart:iend]
with open("jpg%d.jpg" % njpg, "wb") as jpgfile:
jpgfile.write(jpg)
njpg += 1
i = iend
Viel einfachere Lösung:
Verwenden Sie das Paket poppler-utils. Verwenden Sie zur Installation Homebrew (Homebrew ist MacOS-spezifisch, aber das Poppler-Utils-Paket für Widows oder Linux finden Sie hier: https://poppler.freedesktop.org/ ). In der ersten Codezeile unten werden Poppler-Utils mit Homebrew installiert. Nach der Installation extrahiert die zweite Zeile (über die Befehlszeile ausführen) Bilder aus einer PDF-Datei und nennt sie "image *". Um dieses Programm in Python auszuführen, verwenden Sie das Betriebssystem os oder subprocess. Die dritte Zeile enthält Code mit dem OS-Modul. Darunter befindet sich ein Beispiel mit einem Unterprozess (Python 3.5 oder höher für die Funktion run ()). Weitere Informationen hier: https://www.cyberciti.biz/faq/easily-extract-images-from-pdf-file/
brew install poppler
pdfimages file.pdf image
import os
os.system('pdfimages file.pdf image')
oder
import subprocess
subprocess.run('pdfimages file.pdf image', shell=True)
Ich habe dies für mein eigenes Programm getan und festgestellt, dass PyMuPDF die beste Bibliothek ist. Auf diese Weise können Sie die "xref" -Nummern jedes Bilds auf jeder Seite ermitteln und damit die Rohbilddaten aus der PDF-Datei extrahieren.
import fitz
from PIL import Image
import io
filePath = "path/to/file.pdf"
#opens doc using PyMuPDF
doc = fitz.Document(filePath)
#loads the first page
page = doc.loadPage(0)
#[First image on page described thru a list][First attribute on image list: xref n], check PyMuPDF docs under getImageList()
xref = page.getImageList()[0][0]
#gets the image as a dict, check docs under extractImage
baseImage = doc.extractImage(xref)
#gets the raw string image data from the dictionary and wraps it in a BytesIO object before using PIL to open it
image = Image.open(io.BytesIO(baseImage['image']))
#Displays image for good measure
image.show()
Schauen Sie sich auf jeden Fall die Dokumente an.
fitzunter Win 10 wurde folgende Fehlermeldung angezeigt: ModuleNotFoundError: Kein Modul mit dem Namen 'Frontend', das durch pip install PyMuPDFdie hier beschriebene Installation leicht gelöst werden konnte: stackoverflow.com/questions/56467667/…
Nun, ich habe seit vielen Wochen damit zu kämpfen, viele dieser Antworten haben mir geholfen, aber es fehlte immer etwas, anscheinend hatte hier niemand jemals Probleme mit jbig2-codierten Bildern .
In der Reihe von PDF-Dateien, die ich scannen soll, sind in jbig2 codierte Bilder sehr beliebt.
Soweit ich weiß, gibt es viele Kopier- / Scan-Geräte, die Papiere scannen und in PDF-Dateien mit jbig2-codierten Bildern umwandeln.
Nach vielen Testtagen entschied man sich also vor langer Zeit für die hier von dkagedal vorgeschlagene Antwort.
Hier ist meine Schritt für Schritt unter Linux: (Wenn Sie ein anderes Betriebssystem haben, schlage ich vor, ein Linux-Docker zu verwenden, wird es viel einfacher.)
Erster Schritt:
apt-get install poppler-utils
Dann konnte ich das Befehlszeilentool pdfimages wie folgt ausführen:
pdfimages -all myfile.pdf ./images_found/
Mit dem obigen Befehl können Sie alle in myfile.pdf enthaltenen Bilder extrahieren und sie in images_found speichern lassen (Sie müssen images_found vorher erstellen).
In der Liste finden Sie verschiedene Arten von Bildern, png, jpg, tiff; All dies ist mit jedem Grafikwerkzeug leicht lesbar.
Dann haben Sie einige Dateien mit den Namen: -145.jb2e und -145.jb2g.
Diese 2 Dateien enthalten EIN in jbig2 codiertes BILD, das in 2 verschiedenen Dateien gespeichert ist, eine für den Header und eine für die Daten
Wieder habe ich viele Tage verloren, um herauszufinden, wie man diese Dateien in etwas Lesbares konvertiert, und schließlich bin ich auf dieses Tool namens jbig2dec gestoßen
Also müssen Sie zuerst dieses magische Werkzeug installieren:
apt-get install jbig2dec
dann kannst du laufen:
jbig2dec -t png -145.jb2g -145.jb2e
Sie werden endlich in der Lage sein, alle extrahierten Bilder in etwas Nützliches umzuwandeln.
Viel Glück!
Ab Februar 2019 funktioniert die von @sylvain (zumindest in meinem Setup) angegebene Lösung nicht ohne eine kleine Änderung: Es xObject[obj]['/Filter']handelt sich nicht um einen Wert, sondern um eine Liste. Damit das Skript funktioniert, musste ich das Format ändern Überprüfung wie folgt:
import PyPDF2, traceback
from PIL import Image
input1 = PyPDF2.PdfFileReader(open(src, "rb"))
nPages = input1.getNumPages()
print nPages
for i in range(nPages) :
print i
page0 = input1.getPage(i)
try :
xObject = page0['/Resources']['/XObject'].getObject()
except : xObject = []
for obj in xObject:
if xObject[obj]['/Subtype'] == '/Image':
size = (xObject[obj]['/Width'], xObject[obj]['/Height'])
data = xObject[obj].getData()
try :
if xObject[obj]['/ColorSpace'] == '/DeviceRGB':
mode = "RGB"
elif xObject[obj]['/ColorSpace'] == '/DeviceCMYK':
mode = "CMYK"
# will cause errors when saving
else:
mode = "P"
fn = 'p%03d-%s' % (i + 1, obj[1:])
print '\t', fn
if '/FlateDecode' in xObject[obj]['/Filter'] :
img = Image.frombytes(mode, size, data)
img.save(fn + ".png")
elif '/DCTDecode' in xObject[obj]['/Filter']:
img = open(fn + ".jpg", "wb")
img.write(data)
img.close()
elif '/JPXDecode' in xObject[obj]['/Filter'] :
img = open(fn + ".jp2", "wb")
img.write(data)
img.close()
elif '/LZWDecode' in xObject[obj]['/Filter'] :
img = open(fn + ".tif", "wb")
img.write(data)
img.close()
else :
print 'Unknown format:', xObject[obj]['/Filter']
except :
traceback.print_exc()
traceback.print_exc()von die angegebene Fehlerzeile, damit ich sehen kann, was sie ausgelöst hat; Oder entscheiden Sie sich für eine andere Lösung hier auf dieser Website, da die hier angegebene (meines Wissens nach) darauf ausgerichtet ist, eine verlustfreie 1: 1-Extraktion von Daten aus einem PDF-Dokument bereitzustellen und möglicherweise nicht das ist, wonach Sie suchen, danke!
Ich habe all diese hier in PyPDFTK zusammengefügt .
Mein eigener Beitrag ist der Umgang mit /IndexedDateien als solche:
for obj in xObject:
if xObject[obj]['/Subtype'] == '/Image':
size = (xObject[obj]['/Width'], xObject[obj]['/Height'])
color_space = xObject[obj]['/ColorSpace']
if isinstance(color_space, pdf.generic.ArrayObject) and color_space[0] == '/Indexed':
color_space, base, hival, lookup = [v.getObject() for v in color_space] # pg 262
mode = img_modes[color_space]
if xObject[obj]['/Filter'] == '/FlateDecode':
data = xObject[obj].getData()
img = Image.frombytes(mode, size, data)
if color_space == '/Indexed':
img.putpalette(lookup.getData())
img = img.convert('RGB')
img.save("{}{:04}.png".format(filename_prefix, i))
Beachten Sie, dass Sie beim /IndexedAuffinden von Dateien nicht einfach /ColorSpacemit einer Zeichenfolge vergleichen können , da diese als Zeichenfolge geliefert wird ArrayObject. Wir müssen also das Array überprüfen und die indizierte Palette ( lookupim Code) abrufen und im PIL-Image-Objekt festlegen, andernfalls bleibt es nicht initialisiert (Null) und das gesamte Bild wird schwarz angezeigt.
Mein erster Instinkt war, sie als GIFs (ein indiziertes Format) zu speichern, aber meine Tests ergaben, dass PNGs kleiner waren und genauso aussahen.
Ich habe diese Art von Bildern beim Drucken in PDF mit Foxit Reader PDF Printer gefunden.
Sie können den pdfimagesBefehl auch in Ubuntu verwenden.
Installieren Sie poppler lib mit den folgenden Befehlen.
sudo apt install poppler-utils
sudo apt-get install python-poppler
pdfimages file.pdf image
Liste der erstellten Dateien sind (z. B. gibt es zwei Bilder im PDF)
image-000.png
image-001.png
Es klappt ! Jetzt können Sie a verwenden subprocess.run, um dies von Python aus auszuführen.
Nach dem Lesen der Beiträge mit pyPDF2 .
Der Fehler bei der Verwendung des Codes NotImplementedError: unsupported filter /DCTDecodevon @ sylvain muss von der folgenden Methode herrühren .getData(): Er wird bei Verwendung ._datastattdessen von @Alex Paramonov behoben.
Bisher habe ich nur "DCTDecode" -Fälle getroffen, aber ich teile den angepassten Code, der Anmerkungen aus den verschiedenen Beiträgen enthält: Von zilbvon @Alex Paramonov, sub_obj['/Filter']als Liste, von @mxl.
Hoffe, es kann den pyPDF2-Benutzern helfen. Folgen Sie dem Code:
import sys
import PyPDF2, traceback
import zlib
try:
from PIL import Image
except ImportError:
import Image
pdf_path = 'path_to_your_pdf_file.pdf'
input1 = PyPDF2.PdfFileReader(open(pdf_path, "rb"))
nPages = input1.getNumPages()
for i in range(nPages) :
page0 = input1.getPage(i)
if '/XObject' in page0['/Resources']:
try:
xObject = page0['/Resources']['/XObject'].getObject()
except :
xObject = []
for obj_name in xObject:
sub_obj = xObject[obj_name]
if sub_obj['/Subtype'] == '/Image':
zlib_compressed = '/FlateDecode' in sub_obj.get('/Filter', '')
if zlib_compressed:
sub_obj._data = zlib.decompress(sub_obj._data)
size = (sub_obj['/Width'], sub_obj['/Height'])
data = sub_obj._data#sub_obj.getData()
try :
if sub_obj['/ColorSpace'] == '/DeviceRGB':
mode = "RGB"
elif sub_obj['/ColorSpace'] == '/DeviceCMYK':
mode = "CMYK"
# will cause errors when saving (might need convert to RGB first)
else:
mode = "P"
fn = 'p%03d-%s' % (i + 1, obj_name[1:])
if '/Filter' in sub_obj:
if '/FlateDecode' in sub_obj['/Filter']:
img = Image.frombytes(mode, size, data)
img.save(fn + ".png")
elif '/DCTDecode' in sub_obj['/Filter']:
img = open(fn + ".jpg", "wb")
img.write(data)
img.close()
elif '/JPXDecode' in sub_obj['/Filter']:
img = open(fn + ".jp2", "wb")
img.write(data)
img.close()
elif '/CCITTFaxDecode' in sub_obj['/Filter']:
img = open(fn + ".tiff", "wb")
img.write(data)
img.close()
elif '/LZWDecode' in sub_obj['/Filter'] :
img = open(fn + ".tif", "wb")
img.write(data)
img.close()
else :
print('Unknown format:', sub_obj['/Filter'])
else:
img = Image.frombytes(mode, size, data)
img.save(fn + ".png")
except:
traceback.print_exc()
else:
print("No image found for page %d" % (i + 1))
Versuchen Sie es mit dem folgenden Code. Es wird das gesamte Bild aus dem PDF extrahieren.
import sys
import PyPDF2
from PIL import Image
pdf=sys.argv[1]
print(pdf)
input1 = PyPDF2.PdfFileReader(open(pdf, "rb"))
for x in range(0,input1.numPages):
xObject=input1.getPage(x)
xObject = xObject['/Resources']['/XObject'].getObject()
for obj in xObject:
if xObject[obj]['/Subtype'] == '/Image':
size = (xObject[obj]['/Width'], xObject[obj]['/Height'])
print(size)
data = xObject[obj]._data
#print(data)
print(xObject[obj]['/Filter'])
if xObject[obj]['/Filter'][0] == '/DCTDecode':
img_name=str(x)+".jpg"
print(img_name)
img = open(img_name, "wb")
img.write(data)
img.close()
print(str(x)+" is done")