使用pymupdf按正确顺序提取pdf图像

Question

我目前正在开发用于 pdf 文件的 Python 3.x 图像提取器，似乎无法找到解决我在整个工作中遇到的问题的方法。 我的目的是提取 pdf 文件（车辆报告）的所有图像，而没有提供这些文件的公司的徽标。 到目前为止，我有一个使用 fitz 的工作代码，它可以找到图像并存储它们（我在互联网上找到了这段代码）。 不幸的是，它们以错误的顺序返回。 为了用标题注释图片，它们必须按照它们在 pdf 中的显示顺序进行保存。

我已经尝试通过按升序使用外部参照字符串（在 pdf 中定义对象的字符串）中定义的对象名称来正确地做到这一点。 在那个版本之前，我通过一个 dict 用计数器注释图片（我知道它是未排序的，但通过对键进行排序来修复它），但是大约有 2-4 个未排序的大约 30 张图像。 此外，这段代码对我来说似乎不是一个好的解决方案，因为我通过注释计数器来“伪造”图像编号。

我当前的版本（外部参照名称）：

import fitz
import sys
import re

checkXO = r"/Type(?= */XObject)"       # finds "/Type/XObject"   
checkIM = r"/Subtype(?= */Image)"      # finds "/Subtype/Image"
doc = fitz.open(fr"{pdfpath}")

lenXREF = doc._getXrefLength()         # number of objects 
pixmaps = {}
imgcount=0
count=0
imglist=[]
for i in range(1, lenXREF):            # scan through all objects
    text = doc._getXrefString(i)     # string defining the object

    isXObject = re.search(checkXO, text)    # tests for XObject
    isImage   = re.search(checkIM, text)    # tests for Image
    if not isXObject or not isImage:   # not an image object if not both True
        continue
    count+=1
    pix = fitz.Pixmap(doc, i)          # make pixmap from image
    if re.search(r'Name \WIm(\d+)',text) != None:
        imglist.append(re.search(r'Name \W(Im\d+)',text).group(1))
        pixmaps[re.search(r'Name \W(Im\d+)',text).group(1)]=pix
    if re.search(r'Name \W(Im\d+)',text) == None:
        imglist.append(count)
        pixmaps[count]=pix
imglist1=[]
for i in range(1,doc.pageCount):
    if len(doc.getPageImageList(i))>1:
        for entry in doc.getPageImageList(i):
            imglist1.append(entry[7])
        break
for entry in imglist1:    
    pixmaps[entry].writeImage(fr"{dirpath}\%s.jpg" % (imgcount),'jpg')        
    imgcount+=1  

也可以随意建议一种全新的方法来处理此任务。 在此先感谢您的帮助。

Answer 1

回购维护者的回答：

在较新的 PyMuPDF 版本（最好使用 v1.17.0）中，您可以获得图像在页面上的位置。 当您谈到“正确的奥德”时，这似乎是您的意图： rect = page.getImageBbox(name) ，其中 name 是您上面的entry[7] 。

Answer 2

对图像列表使用 sorted()。 如果您可以使用不同的版本，请参阅https://stackoverflow.com/a/68267356/7240889