从pdf文件中提取所有图像和文本

Question

我需要从pdf创建json，以将pdf内容呈现为具有所有图像和文本的HTML。 我已经尝试过下面的模块来做到这一点。 我现在只能提取普通图像，但不能提取图形图像和背景阴影图像。 有没有获取这些的模块？

尝试过的模块

-PDFMiner (python)
-Mammoth(Node)   
-pdf2json(Node)   
-PDFBox(Java)

Answer 1

看看http://pythonhosted.org/PyMuPDF/ 。 显然，该产品以各种格式（包括json）呈现页面。 尽管我的经验有限，但该食谱位于http://code.activestate.com/recipes/580703-extract-images-of-a-pdf-optionally-by-page-using-p/history/1/如何使用PyMuPDF从PDF提取图像。