如何從原始格式的 PDF 中提取圖像

Question

我正在使用pdfimages -j bar.pdf /tmp/image從 PDF 中提取圖像。 我的目標是讓它們在添加時處於原始狀態。 因此，如果是 .tif，我希望獲得 .tif，如果是 jpg，我希望獲得 .jpg。 對於我提取的所有內容，我不斷獲得 .ppm。

是否可以以原始格式獲取圖像，或者 ppm 是我唯一的選項？

更新：我想要這樣做的主要目標是檢查文檔中包含的所有圖像的 DPI，或者檢查它們是否是矢量。

Answer 1

首先，PDF 中所謂的“圖像”，根據定義始終是光柵圖像。 沒有“矢量圖像”這樣的東西。 即使轉換為 PDF 的原始文件包含矢量圖形，轉換程序也可以決定將這些圖形包含為光柵圖像。 如果你提取這個，你不會得到你的矢量圖形，而是一個光柵圖像。 pdfimages無法提取保存在 PDF 中的光柵圖形。

其次，您不需要實際使用pdfimages提取圖像。 只要你正在使用的“poppler的”叉的當前版本（晚於v0.20.2） pdfimages可以使用-list參數來獲取在一定范圍內的PDF頁面的所有圖像的列表：

pdfimages -list -f 7 -l 8  ct-magazin-14-2012.pdf

  page   num  type   width height color comp bpc  enc interp  object ID
  ---------------------------------------------------------------------
     7     0 image     581   838  rgb     3   8  jpeg   no        39  0
     7     1 image       4     4  rgb     3   8  image  no        40  0
     7     2 image     314   332  rgb     3   8  jpx    no        44  0
     7     3 image     358   430  rgb     3   8  jpx    no        45  0
     7     4 image       4     4  rgb     3   8  image  no        46  0
     7     5 image       4     4  rgb     3   8  image  no        47  0
     7     6 image       4     6  rgb     3   8  image  no        48  0
     7     7 image     596   462  rgb     3   8  jpx    no        49  0
     7     8 image       4     6  rgb     3   8  image  no        50  0
     7     9 image       4     4  rgb     3   8  image  no        51  0
     7    10 image       8    10  rgb     3   8  image  no        41  0
     7    11 image       6     6  rgb     3   8  image  no        42  0
     7    12 image     113    27  rgb     3   8  jpx    no        43  0
     8    13 image     582   839  gray    1   8  jpeg   no      2080  0
     8    14 image     344   364  gray    1   8  jpx    no      2079  0

再次注意：這個版本的pdfimages是poppler的一個（從XPDF一個不（還）支持這一新功能？）。

如您所見，這列出了圖像的相應寬度和高度。 然而，這（還）並沒有給你任何關於 DPI 的線索。 如果將大光柵圖像壓縮到 PDF 頁面上的一個小空間中，您的 DPI 值將非常高。 （這是底座對他自己的回答的評論也強調的......）

為了計算 DPI，您必須測量顯示在頁面上的圖像的寬度/高度（您可以使用 Acrobat/Reader 中的工具之一進行測量），然后使用來自上面的輸出來計算 DPI。

---

更新

最新版本的pdfimages現在直接顯示附加列中包含圖像的 DPI 的實際分辨率。 獲取此信息是問題的最初目標：

pdfimages -list -f 6 -l 7 example.pdf
  page   num  type   width height color comp bpc  enc interp  object ID x-ppi y-ppi size ratio
  --------------------------------------------------------------------------------------------
     6     0 image    1901  1901  rgb     3   8  image  no       632  0  1818  1818  468K 4.4%
     6     1 image    1901  1901  rgb     3   8  image  no       645  0  1818  1818  521K 4.9%

新的輸出格式還顯示了每個圖像各自的水平和垂直分辨率（ 'x-ppi' ， 'y-ppi' ）。 它還根據存儲（ 'size' ）及其壓縮比（ 'ratio' ）給出圖像的實際大小。

_{（感謝@Eric 建議更新暗示pdfimages這些新功能。）}

Answer 2

通過查看 PDF 中的圖像，您無法（可靠地）知道源圖像文件格式。 例如，TIFF 圖像可以使用（在我頭頂上）none、RLE、CCITT（情侶變體）、LZW、Flate、Jpeg 進行壓縮。 如果 PDF 中的圖像使用 DCT (jpeg) 壓縮，您如何確定源是 TIFF 還是 Jpeg？ 如果是用Flate壓縮的，怎么區分TIFF和PNG？ 此外，它是生成 PDF 的軟件決定壓縮，所以我可以將 Flate 壓縮的 TIFF 圖像並使用 JPEG2000 或 CCITT 壓縮圖像編碼為 PDF，然后用 Jbig2 或 jpeg 圖像壓縮，將其縮小為8 位調色板圖像並使用 Flate 對其進行壓縮。

TL; DR 你不知道。

Answer 3

我同意底座，您可能無法確定使用的原始圖像格式。 ppm 不是您唯一的輸出選項。

Pdfimages 讀取 PDF 文件，掃描一頁或多頁，並為每個圖像寫入一個PPM、PBM 或 JPEG文件，image-root-nnn.xxx，其中 nnn 是圖像編號， xxx 是圖像類型（.ppm， .pbm、.jpg） 。

http://linux.die.net/man/1/pdfimages

此外，您當然可以使用例如image magick 的 convert更改格式

Answer 4

我正在添加另一個答案，它涉及原始問題的“更新”說：

“我想要這樣做的主要目標是檢查文檔中包含的所有圖像的 DPI，或者檢查它們是否是矢量。”

您可以使用 Ghostscript 有選擇地刪除（或保留）每頁上的文本、像素圖像和矢量圖形區域。

關鍵是應用新的 CLI 參數

• -dFILTERIMAGE ，
• -dFILTERTEXT和/或
• -dFILTERVECTOR

因此。

此處描述了此方法的詳細信息； 答案包含可視化結果的屏幕截圖：

如何從 PDF 中刪除所有圖像？

_{頂行，從左起：刪除所有“文本”； 刪除了所有“圖像”； 刪除了所有“向量”。 底行，從左起：僅保留“文本”； 只保留“圖像”； 只保留了“向量”。}

---

Answer 5

您需要獲取圖像 XObject（其中包含原始圖像的寬度和高度），然后是實際顯示的尺寸，然后您就可以解決這個問題。

Answer 6

對於那些仍然想知道的人， pdfimages -all是現代解決方案：

-all：以原始格式寫入 JPEG、JPEG2000、JBIG2 和 CCITT 圖像。 CMYK 文件被寫入為 TIFF 文件。 所有其他圖像都寫為 PNG 文件。 這相當於指定選項 -png -tiff -j -jp2 -jbig2 -ccitt。