如何从 PDF 或 Word 中提取图像以及图像周围的文本？

Question

我发现有一些库可以从 PDF 或 word 中提取图像，例如 docx2txt 和 pdfimages。 但是如何获取图像周围的内容（例如图像下方可能有标题）？ 或者获取每张图片的页码？

其他一些工具如 PyPDF2 和 minecart 可以逐页提取图像。 但是，我无法成功运行这些代码。

有没有什么好的方法来获取图像的一些信息？ （来自从 docx2txt 或 pdfimages 获得的图像，或另一种提取带有信息的图像的方法）

Answer 1

我找到了doc2txt的代码，它只是解析docx文件的xml。 所以这实际上是一项非常简单的任务..

参考： doc2txt

Answer 2

docx2python将图像拉入文件夹，并在提取的文本中留下-----image1.png----标记。 这可能会让你接近你想去的地方。

Answer 3

几个月前，我重新编程了 docx2python 以从 docx 文件中再现结构化（具有级别）的 xml 格式文件，这在许多文件上都运行良好。

据我所知，一个段落包含多个运行，每个运行仅包含一个文本，有时包含图像。 您可以阅读此文档以了解详细信息。 https://docs.microsoft.com/en-us/dotnet/api/documentformat.openxml.wordprocessing.paragraph?view=openxml-2.8.1 。

docx2python 支持提取带有文本周围的图像。 您使用 docx2python 阅读段落，而----media/imagen----显示在您的文本中，这是一个图像占位符。 如果你设置了extract_image=True你就可以到达这个图像。 好吧，您将在 pagaraph 文本和图像文件列表中获得您的图像。 随心搭配。