Я использую следующий код для извлечения изображений из файлов PDF:
from PIL import Image
from PyPDF2 import PdfFileReader, generic
from io import BytesIO
from typing import List
import zlib
import sys
import struct
def tiff_header_for_CCITT(width:int, height:int, img_size:int, CCITT_group:int=4) -> bytes:
tiff_header_struct = '<' + '2s' + 'h' + 'l' + 'h' + 'hhll' * 8 + 'l'
return struct.pack(tiff_header_struct,
b'II',
42,
8,
8,
256, 4, 1, width,
257, 4, 1, height,
258, 3, 1, 1,
259, 3, 1, CCITT_group,
262, 3, 1, 0,
273, 4, 1, struct.calcsize(tiff_header_struct),
278, 4, 1, height,
279, 4, 1, img_size,
0
)
def object_to_images(objects:generic.DictionaryObject) -> List:
images:List[Image] = []
for idx, key in enumerate(objects):
obj = objects[key] # object est un mot-clé réservé
if '/Resources' in obj and '/XObject' in obj['/Resources']: # l'objet est un conteneur
images += object_to_images(obj["/Resources"]["/XObject"].getObject()) # récursion
elif obj['/Subtype'] == '/Image':
print(obj)
if "/ImageMask" in obj: # masque d'image, ignoré
continue
img_modes = {'/DeviceRGB': 'RGB',
'/DefaultRGB': 'RGB',
'/DeviceCMYK': 'CMYK',
'/DefaultCMYK': 'CMYK',
'/DeviceGray': 'L',
'/DefaultGray': 'L',
'/Indexed': 'P'}
cspace = obj.get('/ColorSpace').getObject()
indexed = False
if cspace:
if isinstance(cspace, generic.ArrayObject):
if cspace[0] == '/ICCBased':
color_map = cspace[1].getObject()['/N']
if color_map == 1:
colorspace = "P"
elif color_map == 3:
colorspace = "RGB"
elif color_map == 4:
colorspace = "CMYK"
elif cspace[0] == "/Indexed":
c, b, h, l = [v.getObject() for v in cspace]
indexed = True
colorspace = img_modes[c]
else:
colorspace = img_modes[cspace]
width = obj['/Width']
height = obj['/Height']
if "/FlateDecode" in obj["/Filter"]: # Compressé avec zlib
data = zlib.decompress(obj._data)
else:
data = obj._data
if "/DCTDecode" in obj["/Filter"]: # JPEG, rien à faire
img = Image.open(BytesIO(data))
images.append(img)
elif "/JPXDecode" in obj["/Filter"]: # JPEG 2000, rien à faire
img = Image.open(BytesIO(data))
images.append(img)
elif "CCITTFaxDecode" in obj["/Filter"]: # TIFF, rajouter l'en-tête
if obj['/DecodeParms']['/K'] == -1:
CCITT_group = 4
else:
CCITT_group = 3
img_size = len(data)
tiff_header = tiff_header_for_CCITT(width, height, img_size, CCITT_group)
data = tiff_header + data
img = Image.open(BytesIO(data))
images.append(img)
else:
img = Image.frombytes(colorspace, (width, height), data)
if indexed:
img.putpalette(l.getData())
img = img.convert('RGB')
images.append(img)
return images
def pdf_to_images(filename:str) -> List:
images:List[Image] = []
file = PdfFileReader(open(filename, "rb"))
nPages = file.getNumPages()
for i in range(nPages):
page = file.getPage(i)
try:
root_objects = page["/Resources"]["/XObject"].getObject() # devrait s'appeler getObjects...
except KeyError:
continue
images += object_to_images(root_objects)
return images
if __name__ == "__main__":
fichier = sys.argv[1]
images = pdf_to_images(fichier)
#print("\n".join(map(str, images)))
for image in images:
image.show()
pass
Он работает практически для всех файлов PDF, но один из них ведет себя странно. Это образец PDF, который можно найти здесь . Когда я передаю этот файл PDF в приведенный выше код, результат искажается, а черный и белый цвета инвертируются.
Единственное, что я заметил в отношении объекта изображения в этом PDF, это то, что он имеет DecodeParms запись, значение которой {'/Predictor': 15, '/Columns': 2550, '/Colors': 3}. Я не знаю, уместно ли это, но это единственный проверенный мной PDF-файл, в котором они есть.
Заранее спасибо