使用pymupdf按正確順序提取pdf圖像

Question

我目前正在開發用於 pdf 文件的 Python 3.x 圖像提取器，似乎無法找到解決我在整個工作中遇到的問題的方法。 我的目的是提取 pdf 文件（車輛報告）的所有圖像，而沒有提供這些文件的公司的徽標。 到目前為止，我有一個使用 fitz 的工作代碼，它可以找到圖像並存儲它們（我在互聯網上找到了這段代碼）。 不幸的是，它們以錯誤的順序返回。 為了用標題注釋圖片，它們必須按照它們在 pdf 中的顯示順序進行保存。

我已經嘗試通過按升序使用外部參照字符串（在 pdf 中定義對象的字符串）中定義的對象名稱來正確地做到這一點。 在那個版本之前，我通過一個 dict 用計數器注釋圖片（我知道它是未排序的，但通過對鍵進行排序來修復它），但是大約有 2-4 個未排序的大約 30 張圖像。 此外，這段代碼對我來說似乎不是一個好的解決方案，因為我通過注釋計數器來“偽造”圖像編號。

我當前的版本（外部參照名稱）：

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  

也可以隨意建議一種全新的方法來處理此任務。 在此先感謝您的幫助。

Answer 1

回購維護者的回答：

在較新的 PyMuPDF 版本（最好使用 v1.17.0）中，您可以獲得圖像在頁面上的位置。 當您談到“正確的奧德”時，這似乎是您的意圖： rect = page.getImageBbox(name) ，其中 name 是您上面的entry[7] 。

Answer 2

對圖像列表使用 sorted()。 如果您可以使用不同的版本，請參閱https://stackoverflow.com/a/68267356/7240889