Python pdfminer extrahieren Bild erzeugt mehrere Bilder pro Seite (sollte einzelnes Bild sein)

Question

Ich versuche, Bilder zu extrahieren, die in einem PDF sind. Die Datei, mit der ich arbeite, ist 2+ Seiten. Seite 1 ist Text und Seiten 2-n sind Bilder (eins pro Seite, oder es kann ein einzelnes Bild sein, das mehrere Seiten umfasst; ich habe keine Kontrolle über den Ursprung).

Ich kann den Text von Seite 1 analysieren, aber wenn ich versuche, die Bilder zu bekommen, bekomme ich 3 Bilder pro Bildseite. Ich kann den Bildtyp nicht bestimmen, wodurch das Speichern erschwert wird. Zusätzlich versucht jede Seite 3 Bilder speichern als ein einzelnes img kein Ergebnis liefert (wie in nicht über Finder auf OSX geöffnet werden kann)

Probe:

fp = open('the_file.pdf', 'rb') 
parser = PDFParser(fp) 
document = PDFDocument(parser) 
rsrcmgr = PDFResourceManager() 
laparams = LAParams() 
device = PDFPageAggregator(rsrcmgr, laparams=laparams) 
interpreter = PDFPageInterpreter(rsrcmgr, device) 


for page in PDFPage.create_pages(document): 
    interpreter.process_page(page) 
    pdf_item = device.get_result() 
    for thing in pdf_item: 
     if isinstance(thing, LTImage): 
      save_image(thing) 
     if isinstance(thing, LTFigure): 
      find_images_in_thing(thing) 


def find_images_in_thing(outer_layout): 
    for thing in outer_layout: 
     if isinstance(thing, LTImage): 
      save_image(thing) 

save_image entweder eine Datei pro Bild in pageNum_imgNum Format schreibt in 'wb' Modus oder ein einzelnes Bild pro Seite in 'a' Modus. Ich habe zahlreiche Dateiendungen ohne Glück versucht.

Ressourcen Ich habe sah in:

http://denis.papathanasiou.org/posts/2010.08.04.post.html (outdatted pdfminer Version) http://nedbatchelder.com/blog/200712/extracting_jpgs_from_pdfs.html

Answer 1

Es ist eine Weile her, seit diese Frage gestellt wurde, aber ich werde im Interesse der Gemeinschaft beitragen, und möglicherweise zu Ihrem Vorteil :)

Ich habe einen Bildparser namens pdfimages verwendet, verfügbar durch die Poppler PDF Verarbeitung Framework. Es gibt auch mehrere Dateien pro Bild aus; Es scheint ein relativ häufiges Verhalten für PDF-Generatoren zu sein, die Bilder in mehrere Bilder zu "kacheln" oder "zu strippen", die dann beim Scraping zusammengesetzt werden müssen, aber beim Betrachten der PDF-Datei vollständig intakt zu sein scheinen. Die Formate/Dateierweiterungen, die ich durch pdfimages und anderswo gesehen habe, sind: png, tiff, jp2, jpg, ccitt. Hast du all diese ausprobiert?