एक पीडीएफ दस्तावेज़ से सभी छवियों को कैसे निकाला जा सकता है, मूल संकल्प और प्रारूप में? (मतलब टिफ़ के रूप में एक्सफोलिएशन, जेपीईजी के रूप में जेपीआर, आदि और फिर से रेज़म्पलिंग के बिना)। लेआउट महत्वहीन है, मुझे परवाह नहीं है कि स्रोत छवि पृष्ठ पर स्थित है।
मैं अजगर 2.7 का उपयोग कर रहा हूं, लेकिन आवश्यकता पड़ने पर 3.x का उपयोग कर सकता हूं।
जवाबों:
आप मॉड्यूल PyMuPDF का उपयोग कर सकते हैं। यह सभी छवियों को .png फ़ाइलों के रूप में आउटपुट करता है, लेकिन बॉक्स से बाहर काम करता है और तेज होता है।
import fitz
doc = fitz.open("file.pdf")
for i in range(len(doc)):
for img in doc.getPageImageList(i):
xref = img[0]
pix = fitz.Pixmap(doc, xref)
if pix.n < 5: # this is GRAY or RGB
pix.writePNG("p%s-%s.png" % (i, xref))
else: # CMYK: convert to RGB first
pix1 = fitz.Pixmap(fitz.csRGB, pix)
pix1.writePNG("p%s-%s.png" % (i, xref))
pix1 = None
pix = None
pip install pymudfपहले स्पष्ट रूप से आवश्यक)
pip install pymupdfसाथी गुगुलर्स के लिए जो सोच रहे हैं कि उपरोक्त स्थापना विफल क्यों होती है
RuntimeError: pixmap must be grayscale or rgb to write as pngक्या कोई मदद मिल सकती है?
PyPDF2 और तकिया पुस्तकालयों के साथ पायथन में यह सरल है:
import PyPDF2
from PIL import Image
if __name__ == '__main__':
input1 = PyPDF2.PdfFileReader(open("input.pdf", "rb"))
page0 = input1.getPage(0)
xObject = page0['/Resources']['/XObject'].getObject()
for obj in xObject:
if xObject[obj]['/Subtype'] == '/Image':
size = (xObject[obj]['/Width'], xObject[obj]['/Height'])
data = xObject[obj].getData()
if xObject[obj]['/ColorSpace'] == '/DeviceRGB':
mode = "RGB"
else:
mode = "P"
if xObject[obj]['/Filter'] == '/FlateDecode':
img = Image.frombytes(mode, size, data)
img.save(obj[1:] + ".png")
elif xObject[obj]['/Filter'] == '/DCTDecode':
img = open(obj[1:] + ".jpg", "wb")
img.write(data)
img.close()
elif xObject[obj]['/Filter'] == '/JPXDecode':
img = open(obj[1:] + ".jp2", "wb")
img.write(data)
img.close()
NotImplementedError: unsupported filter /DCTDecodeया ... /JPXDecodeसे xObject[obj].getData()में पहले दो पीडीएफ के मैं परीक्षण किया गया। विवरण gist.github.com/maphew/fe6ba4bf9ed2bc98ecf5 पर
ValueError: not enough image datadctd timecode एम्बेडेड छवियों के लिए और unsupported filter /JPXDecodeएक और pdf पर मिलता है।
KeyError:/Filterइसके बजाय फेंकता है । मैंने अपने हिसाब से जीआईएस अपडेट किया। पीडीएफ फाइलें 'नेट' से सिर्फ यादृच्छिक होती हैं। जिस्ट के स्रोत लिंक हैं।
अक्सर एक पीडीएफ में, छवि को बस के रूप में संग्रहीत किया जाता है। उदाहरण के लिए, एक पीडीएफ के साथ एक पीडीएफ डाला एक बाइट्स की एक सीमा के बीच में कहीं होगा कि जब निकाला एक वैध jpg फ़ाइल है। आप पीडीएफ से बाइट रेंज निकालने के लिए इसका उपयोग कर सकते हैं। मैंने कुछ समय पहले इस बारे में लिखा था, नमूना कोड के साथ: पीडीएफ से जेपीजी को निकालना ।
startmark? आप बस खोज शुरू कर सकते हैं startmarkक्योंकि यह JPG नहीं की शुरुआत है? और startfixचर का क्या मतलब है , आप इसे बिल्कुल नहीं बदलते हैं ..
CCITTFaxDecode फ़िल्टर के लिए PyPDF2 के साथ पायथन में:
import PyPDF2
import struct
"""
Links:
PDF format: http://www.adobe.com/content/dam/Adobe/en/devnet/acrobat/pdfs/pdf_reference_1-7.pdf
CCITT Group 4: https://www.itu.int/rec/dologin_pub.asp?lang=e&id=T-REC-T.6-198811-I!!PDF-E&type=items
Extract images from pdf: http://stackoverflow.com/questions/2693820/extract-images-from-pdf-without-resampling-in-python
Extract images coded with CCITTFaxDecode in .net: http://stackoverflow.com/questions/2641770/extracting-image-from-pdf-with-ccittfaxdecode-filter
TIFF format and tags: http://www.awaresystems.be/imaging/tiff/faq.html
"""
def tiff_header_for_CCITT(width, height, img_size, CCITT_group=4):
tiff_header_struct = '<' + '2s' + 'h' + 'l' + 'h' + 'hhll' * 8 + 'h'
return struct.pack(tiff_header_struct,
b'II', # Byte order indication: Little indian
42, # Version number (always 42)
8, # Offset to first IFD
8, # Number of tags in IFD
256, 4, 1, width, # ImageWidth, LONG, 1, width
257, 4, 1, height, # ImageLength, LONG, 1, lenght
258, 3, 1, 1, # BitsPerSample, SHORT, 1, 1
259, 3, 1, CCITT_group, # Compression, SHORT, 1, 4 = CCITT Group 4 fax encoding
262, 3, 1, 0, # Threshholding, SHORT, 1, 0 = WhiteIsZero
273, 4, 1, struct.calcsize(tiff_header_struct), # StripOffsets, LONG, 1, len of header
278, 4, 1, height, # RowsPerStrip, LONG, 1, lenght
279, 4, 1, img_size, # StripByteCounts, LONG, 1, size of image
0 # last IFD
)
pdf_filename = 'scan.pdf'
pdf_file = open(pdf_filename, 'rb')
cond_scan_reader = PyPDF2.PdfFileReader(pdf_file)
for i in range(0, cond_scan_reader.getNumPages()):
page = cond_scan_reader.getPage(i)
xObject = page['/Resources']['/XObject'].getObject()
for obj in xObject:
if xObject[obj]['/Subtype'] == '/Image':
"""
The CCITTFaxDecode filter decodes image data that has been encoded using
either Group 3 or Group 4 CCITT facsimile (fax) encoding. CCITT encoding is
designed to achieve efficient compression of monochrome (1 bit per pixel) image
data at relatively low resolutions, and so is useful only for bitmap image data, not
for color images, grayscale images, or general data.
K < 0 --- Pure two-dimensional encoding (Group 4)
K = 0 --- Pure one-dimensional encoding (Group 3, 1-D)
K > 0 --- Mixed one- and two-dimensional encoding (Group 3, 2-D)
"""
if xObject[obj]['/Filter'] == '/CCITTFaxDecode':
if xObject[obj]['/DecodeParms']['/K'] == -1:
CCITT_group = 4
else:
CCITT_group = 3
width = xObject[obj]['/Width']
height = xObject[obj]['/Height']
data = xObject[obj]._data # sorry, getData() does not work for CCITTFaxDecode
img_size = len(data)
tiff_header = tiff_header_for_CCITT(width, height, img_size, CCITT_group)
img_name = obj[1:] + '.tiff'
with open(img_name, 'wb') as img_file:
img_file.write(tiff_header + data)
#
# import io
# from PIL import Image
# im = Image.open(io.BytesIO(tiff_header + data))
pdf_file.close()
convertउपयोग कर रहा हूं, subprocessलेकिन यह काफी धीमा है। इस समाधान को साझा करने के लिए धन्यवाद
tiff_header_structपढ़ना चाहिए '<' + '2s' + 'H' + 'L' + 'H' + 'HHLL' * 8 + 'L'। विशेष रूप 'L'से अंत में ध्यान दें ।
Libpoppler "pdfimages" नामक एक टूल के साथ आता है जो ठीक यही करता है।
(ऑनूबंट सिस्टम पर यह पॉपलर-बर्तनों के पैकेज में है)
http://poppler.freedesktop.org/
http://en.wikipedia.org/wiki/Pdfimages
Windows बायनेरिज़: http://blog.alivate.com.au/poppler-windows/
pdfimagesसबसिस्टम पर स्थापित होने पर भरोसा नहीं करता है ।
मैं मिनीकार्ट को पसंद करता हूं क्योंकि इसका उपयोग करना बेहद आसान है। नीचे दिए गए स्निपेट दिखाते हैं कि कैसे एक पीडीएफ से छवियों को निकालने के लिए:
#pip install minecart
import minecart
pdffile = open('Invoices.pdf', 'rb')
doc = minecart.Document(pdffile)
page = doc.get_page(0) # getting a single page
#iterating through all pages
for page in doc.iter_pages():
im = page.images[0].as_pil() # requires pillow
display(im)
यहां 2019 से मेरा संस्करण है जो पीडीएफ से सभी छवियों को पुन: प्राप्त करता है और उन्हें पीआईएल के साथ पढ़ता है। अजगर 2/3 के साथ संगत। मैंने यह भी पाया कि कभी-कभी पीडीएफ में छवि को zlib द्वारा संपीड़ित किया जा सकता है, इसलिए मेरा कोड डिकंप्रेसन का समर्थन करता है।
#!/usr/bin/env python3
try:
from StringIO import StringIO
except ImportError:
from io import BytesIO as StringIO
from PIL import Image
from PyPDF2 import PdfFileReader, generic
import zlib
def get_color_mode(obj):
try:
cspace = obj['/ColorSpace']
except KeyError:
return None
if cspace == '/DeviceRGB':
return "RGB"
elif cspace == '/DeviceCMYK':
return "CMYK"
elif cspace == '/DeviceGray':
return "P"
if isinstance(cspace, generic.ArrayObject) and cspace[0] == '/ICCBased':
color_map = obj['/ColorSpace'][1].getObject()['/N']
if color_map == 1:
return "P"
elif color_map == 3:
return "RGB"
elif color_map == 4:
return "CMYK"
def get_object_images(x_obj):
images = []
for obj_name in x_obj:
sub_obj = x_obj[obj_name]
if '/Resources' in sub_obj and '/XObject' in sub_obj['/Resources']:
images += get_object_images(sub_obj['/Resources']['/XObject'].getObject())
elif sub_obj['/Subtype'] == '/Image':
zlib_compressed = '/FlateDecode' in sub_obj.get('/Filter', '')
if zlib_compressed:
sub_obj._data = zlib.decompress(sub_obj._data)
images.append((
get_color_mode(sub_obj),
(sub_obj['/Width'], sub_obj['/Height']),
sub_obj._data
))
return images
def get_pdf_images(pdf_fp):
images = []
try:
pdf_in = PdfFileReader(open(pdf_fp, "rb"))
except:
return images
for p_n in range(pdf_in.numPages):
page = pdf_in.getPage(p_n)
try:
page_x_obj = page['/Resources']['/XObject'].getObject()
except KeyError:
continue
images += get_object_images(page_x_obj)
return images
if __name__ == "__main__":
pdf_fp = "test.pdf"
for image in get_pdf_images(pdf_fp):
(mode, size, data) = image
try:
img = Image.open(StringIO(data))
except Exception as e:
print ("Failed to read image with PIL: {}".format(e))
continue
# Do whatever you want with the image
मैंने @sylvain के कोड से शुरुआत की थी, अपवाद जैसी कुछ खामियां थीं NotImplementedError: unsupported filter /DCTDecode getData , या तथ्य यह है कि कोड कुछ पृष्ठों में छवियां खोजने में विफल रहा क्योंकि वे पृष्ठ की तुलना में अधिक गहरे स्तर पर थे।
मेरा कोड है:
import PyPDF2
from PIL import Image
import sys
from os import path
import warnings
warnings.filterwarnings("ignore")
number = 0
def recurse(page, xObject):
global number
xObject = xObject['/Resources']['/XObject'].getObject()
for obj in xObject:
if xObject[obj]['/Subtype'] == '/Image':
size = (xObject[obj]['/Width'], xObject[obj]['/Height'])
data = xObject[obj]._data
if xObject[obj]['/ColorSpace'] == '/DeviceRGB':
mode = "RGB"
else:
mode = "P"
imagename = "%s - p. %s - %s"%(abspath[:-4], p, obj[1:])
if xObject[obj]['/Filter'] == '/FlateDecode':
img = Image.frombytes(mode, size, data)
img.save(imagename + ".png")
number += 1
elif xObject[obj]['/Filter'] == '/DCTDecode':
img = open(imagename + ".jpg", "wb")
img.write(data)
img.close()
number += 1
elif xObject[obj]['/Filter'] == '/JPXDecode':
img = open(imagename + ".jp2", "wb")
img.write(data)
img.close()
number += 1
else:
recurse(page, xObject[obj])
try:
_, filename, *pages = sys.argv
*pages, = map(int, pages)
abspath = path.abspath(filename)
except BaseException:
print('Usage :\nPDF_extract_images file.pdf page1 page2 page3 …')
sys.exit()
file = PyPDF2.PdfFileReader(open(filename, "rb"))
for p in pages:
page0 = file.getPage(p-1)
recurse(p, page0)
print('%s extracted images'% number)
img = Image.frombytes(mode, size, data) ValueError: not enough image data
KeyError: '/ColorSpace', इसलिए मैं आपकी लाइन को DeviceRGB से बदल दूंगा if '/ColorSpace' not in xObject[obj] or xObject[obj]['/ColorSpace'] == '/DeviceRGB':। वैसे भी, यह मेरे लिए अंत में काम नहीं आया क्योंकि चित्र शायद PNG थे (निश्चित नहीं)।
xObject[obj]['/Filter']?
मैंने अपने सर्वर पर ImageMagick स्थापित किया और फिर इसके माध्यम से कमांडलाइन-कॉल चलाएं Popen:
#!/usr/bin/python
import sys
import os
import subprocess
import settings
IMAGE_PATH = os.path.join(settings.MEDIA_ROOT , 'pdf_input' )
def extract_images(pdf):
output = 'temp.png'
cmd = 'convert ' + os.path.join(IMAGE_PATH, pdf) + ' ' + os.path.join(IMAGE_PATH, output)
subprocess.Popen(cmd.split(), stderr=subprocess.STDOUT, stdout=subprocess.PIPE)
यह हर पेज के लिए एक इमेज बनाएगा और उन्हें temp-0.png, temp-1.png .... के रूप में संग्रहीत करेगा। यह केवल 'निष्कर्षण' है, अगर आपको केवल छवियों के साथ एक पीडीएफ मिला है और कोई टेक्स्ट नहीं है।
कुछ खोज के बाद मुझे निम्नलिखित स्क्रिप्ट मिली जो मेरे पीडीएफ के साथ वास्तव में अच्छी तरह से काम करती है। यह केवल JPG से निपटता है, लेकिन यह पूरी तरह से मेरी असुरक्षित फाइलों के साथ काम करता है। इसके अलावा किसी भी बाहर पुस्तकालयों की आवश्यकता नहीं है।
कोई क्रेडिट नहीं लेने के लिए, स्क्रिप्ट नेड बाथेल्डर से उत्पन्न हुई, न कि मैं। Python3 कोड: पीडीएफ से jpg का अर्क निकालें। जल्दी और गन्दी
import sys
with open(sys.argv[1],"rb") as file:
file.seek(0)
pdf = file.read()
startmark = b"\xff\xd8"
startfix = 0
endmark = b"\xff\xd9"
endfix = 2
i = 0
njpg = 0
while True:
istream = pdf.find(b"stream", i)
if istream < 0:
break
istart = pdf.find(startmark, istream, istream + 20)
if istart < 0:
i = istream + 20
continue
iend = pdf.find(b"endstream", istart)
if iend < 0:
raise Exception("Didn't find end of stream!")
iend = pdf.find(endmark, iend - 20)
if iend < 0:
raise Exception("Didn't find end of JPG!")
istart += startfix
iend += endfix
print("JPG %d from %d to %d" % (njpg, istart, iend))
jpg = pdf[istart:iend]
with open("jpg%d.jpg" % njpg, "wb") as jpgfile:
jpgfile.write(jpg)
njpg += 1
i = iend
बहुत आसान समाधान:
पॉपलर-बर्तनों के पैकेज का उपयोग करें। इसे स्थापित करने के लिए होमब्रे का उपयोग करें (homebrew MacOS विशिष्ट है, लेकिन आप यहां विधवाओं या लिनक्स के लिए poppler-utils पैकेज पा सकते हैं: https://poppler.freedesktop.org/ )। नीचे दी गई कोड की पहली पंक्ति पॉपलबार-बर्तनों को होमब्रे का उपयोग करके स्थापित करती है। दूसरी पंक्ति को स्थापित करने के बाद (कमांड लाइन से भागो) फिर एक पीडीएफ फाइल से चित्र निकालता है और उन्हें "छवि *" नाम देता है। पायथन के भीतर से इस कार्यक्रम को चलाने के लिए ओएस या सबप्रोसेस मॉड्यूल का उपयोग करें। तीसरी पंक्ति ओएस मॉड्यूल का उपयोग करके कोड है, जो कि उपप्रकार (पायथन 3.5 या बाद में रन () फ़ंक्शन) के साथ एक उदाहरण है। अधिक जानकारी यहाँ: https://www.cyberciti.biz/faq/easily-extract-images-from-pdf-file/
brew install poppler
pdfimages file.pdf image
import os
os.system('pdfimages file.pdf image')
या
import subprocess
subprocess.run('pdfimages file.pdf image', shell=True)
मैंने अपने स्वयं के कार्यक्रम के लिए ऐसा किया, और पाया कि उपयोग करने के लिए सबसे अच्छा पुस्तकालय PyMuPDF था। यह आपको प्रत्येक पृष्ठ पर प्रत्येक छवि के "xref" संख्याओं का पता लगाने देता है, और पीडीएफ से कच्ची छवि डेटा निकालने के लिए उनका उपयोग करता है।
import fitz
from PIL import Image
import io
filePath = "path/to/file.pdf"
#opens doc using PyMuPDF
doc = fitz.Document(filePath)
#loads the first page
page = doc.loadPage(0)
#[First image on page described thru a list][First attribute on image list: xref n], check PyMuPDF docs under getImageList()
xref = page.getImageList()[0][0]
#gets the image as a dict, check docs under extractImage
baseImage = doc.extractImage(xref)
#gets the raw string image data from the dictionary and wraps it in a BytesIO object before using PIL to open it
image = Image.open(io.BytesIO(baseImage['image']))
#Displays image for good measure
image.show()
डॉक्स को निश्चित रूप से देखें, हालाँकि।
fitzविन 10 पर स्थापित होने के बाद , मुझे त्रुटि मिली: ModuleNotFoundError: कोई भी मॉड्यूल जिसका नाम 'फ्रंटएंड' नहीं है, जिसे pip install PyMuPDFयहां चर्चा के रूप में स्थापित करके आसानी से हल किया गया था : stackoverflow.com/questions/564676676-…
वैसे मैं कई हफ्तों से इससे जूझ रहा था, इनमें से कई जवाबों ने मेरी मदद की, लेकिन हमेशा कुछ न कुछ याद आता रहा, जाहिर तौर पर यहां किसी को भी jbig2 की एनकोडेड इमेज की समस्या नहीं रही ।
पीडीएफ के उस समूह में जिसे मैं स्कैन कर रहा हूं, jbig2 में एन्कोड किए गए चित्र बहुत लोकप्रिय हैं।
जहां तक मैं समझता हूं कि कई कॉपी / स्कैन मशीनें हैं जो कागजात को स्कैन करती हैं और उन्हें jbig2 एन्कोडेड चित्रों से भरी पीडीएफ फाइलों में बदल देती हैं।
इसलिए कई दिनों के परीक्षण के बाद लंबे समय पहले dkagedal द्वारा यहाँ प्रस्तावित उत्तर के लिए जाने का फैसला किया।
यहाँ लिनक्स पर कदम से कदम रखा गया है: (यदि आपके पास एक और ओएस है, तो मेरा सुझाव है कि एक लिनक्स डॉक का उपयोग करना आसान होगा।)
पहला कदम:
apt-get install poppler-utils
तब मैं कमांड लाइन टूल को चलाने में सक्षम था जिसे pdfimages कहा जाता है:
pdfimages -all myfile.pdf ./images_found/
उपरोक्त कमांड से आप myfile.pdf में मौजूद सभी छवियों को निकाल पाएंगे और आपने उन्हें images_found के अंदर सहेज लिया होगा (आपको पहले images_found बनाना होगा)
सूची में आपको कई प्रकार की छवियां मिलेंगी, png, jpg, tiff; ये सभी किसी भी ग्राफिक टूल के साथ आसानी से पढ़ने योग्य हैं।
फिर आपके पास कुछ फाइलें होंगी जैसे: -145.jb2e और -145.jb2g।
इन 2 फ़ाइलों में एक IMAGE शामिल है jbig2 में एन्कोडेड 2 अलग-अलग फ़ाइलों में से एक हेडर के लिए और एक डेटा के लिए सहेजा गया है
फिर से मैं कई दिनों से यह जानने की कोशिश कर रहा हूँ कि उन फ़ाइलों को किसी पठनीय में कैसे परिवर्तित किया जाए और आखिरकार मुझे jb5252ec नामक इस टूल के बारे में पता चला।
तो सबसे पहले आपको इस मैजिक टूल को इंस्टॉल करना होगा:
apt-get install jbig2dec
तो आप चला सकते हैं:
jbig2dec -t png -145.jb2g -145.jb2e
आप अंततः सभी निकाले गए चित्रों को कुछ उपयोगी में परिवर्तित करने में सक्षम होने जा रहे हैं।
सौभाग्य!
फरवरी 2019 तक, @ सिल्वेन (मेरे सेटअप पर कम से कम) द्वारा दिया गया समाधान एक छोटे संशोधन के बिना काम नहीं करता है: xObject[obj]['/Filter']एक मूल्य नहीं है, लेकिन एक सूची है, इस प्रकार स्क्रिप्ट काम करने के लिए, मुझे प्रारूप को संशोधित करना पड़ा जाँच निम्नानुसार है:
import PyPDF2, traceback
from PIL import Image
input1 = PyPDF2.PdfFileReader(open(src, "rb"))
nPages = input1.getNumPages()
print nPages
for i in range(nPages) :
print i
page0 = input1.getPage(i)
try :
xObject = page0['/Resources']['/XObject'].getObject()
except : xObject = []
for obj in xObject:
if xObject[obj]['/Subtype'] == '/Image':
size = (xObject[obj]['/Width'], xObject[obj]['/Height'])
data = xObject[obj].getData()
try :
if xObject[obj]['/ColorSpace'] == '/DeviceRGB':
mode = "RGB"
elif xObject[obj]['/ColorSpace'] == '/DeviceCMYK':
mode = "CMYK"
# will cause errors when saving
else:
mode = "P"
fn = 'p%03d-%s' % (i + 1, obj[1:])
print '\t', fn
if '/FlateDecode' in xObject[obj]['/Filter'] :
img = Image.frombytes(mode, size, data)
img.save(fn + ".png")
elif '/DCTDecode' in xObject[obj]['/Filter']:
img = open(fn + ".jpg", "wb")
img.write(data)
img.close()
elif '/JPXDecode' in xObject[obj]['/Filter'] :
img = open(fn + ".jp2", "wb")
img.write(data)
img.close()
elif '/LZWDecode' in xObject[obj]['/Filter'] :
img = open(fn + ".tif", "wb")
img.write(data)
img.close()
else :
print 'Unknown format:', xObject[obj]['/Filter']
except :
traceback.print_exc()
traceback.print_exc()की दी गई त्रुटि रेखा, ताकि मैं देख सकूं कि किसने इसे ट्रिगर किया; या शायद इस साइट पर यहां दिए गए अन्य समाधानों के लिए विकल्प चुनें, क्योंकि यहां दी गई (मेरी समझ में) एक पीडीएफ से डेटा का 1: 1 दोषरहित निष्कर्षण प्रदान करने पर ध्यान केंद्रित किया गया है और हो सकता है कि आप जो खोज रहे हैं, वह धन्यवाद न हो!
मैंने उन सभी को PyPDFTK में एक साथ यहां जोड़ा ।
मेरा अपना योगदान /Indexedइस तरह से फाइलों को संभालने का है :
for obj in xObject:
if xObject[obj]['/Subtype'] == '/Image':
size = (xObject[obj]['/Width'], xObject[obj]['/Height'])
color_space = xObject[obj]['/ColorSpace']
if isinstance(color_space, pdf.generic.ArrayObject) and color_space[0] == '/Indexed':
color_space, base, hival, lookup = [v.getObject() for v in color_space] # pg 262
mode = img_modes[color_space]
if xObject[obj]['/Filter'] == '/FlateDecode':
data = xObject[obj].getData()
img = Image.frombytes(mode, size, data)
if color_space == '/Indexed':
img.putpalette(lookup.getData())
img = img.convert('RGB')
img.save("{}{:04}.png".format(filename_prefix, i))
ध्यान दें कि जब /Indexedफाइलें मिलती हैं, तो आप सिर्फ /ColorSpaceएक स्ट्रिंग की तुलना नहीं कर सकते , क्योंकि यह एक के रूप में आती है ArrayObject। इसलिए, हमें ऐरे को जांचना है और अनुक्रमित पैलेट ( lookupकोड में) को पुनः प्राप्त करना है और इसे पीआईएल इमेज ऑब्जेक्ट में सेट करना है, अन्यथा यह अनइंस्टाल्यूटेड (शून्य) रहता है और पूरी छवि ब्लैक के रूप में दिखाई देती है।
मेरी पहली वृत्ति उन्हें GIFs (जो अनुक्रमित प्रारूप है) के रूप में सहेजने के लिए थी, लेकिन मेरे परीक्षण से पता चला कि PNG छोटे थे और उसी तरह दिखते थे।
फॉक्सिट रीडर पीडीएफ प्रिंटर के साथ पीडीएफ को प्रिंट करते समय मुझे उन प्रकार की छवियां मिलीं।
आप pdfimagesउबंटू में भी कमांड का उपयोग कर सकते हैं ।
नीचे दिए गए आदेशों का उपयोग करके पॉपप्लर का उपयोग करें।
sudo apt install poppler-utils
sudo apt-get install python-poppler
pdfimages file.pdf image
बनाई गई फ़ाइलों की सूची (उदाहरण के लिए। पीडीएफ में दो चित्र हैं)
image-000.png
image-001.png
यह काम करता हैं ! अब आप इसे subprocess.runअजगर से चलाने के लिए उपयोग कर सकते हैं ।
PyPDF2 का उपयोग करके पदों को पढ़ने के बाद ।
@ सिल्वेन कोड का उपयोग करते समय त्रुटि NotImplementedError: unsupported filter /DCTDecodeविधि से आना चाहिए .getData(): इसका उपयोग करते समय हल किया जाता है._data बजाय @Alex Paramonov द्वारा गया है।
अब तक मैं केवल "DCTDecode" मामलों से मिला हूं, लेकिन मैं अनुकूलित कोड साझा कर रहा हूं जिसमें विभिन्न पदों से टिप्पणी शामिल है: zilb@Alex Paramonov द्वारा,sub_obj['/Filter'] एक सूची होने के नाते, @ mxl द्वारा।
आशा है कि यह pyPDF2 उपयोगकर्ताओं की मदद कर सकता है। कोड का पालन करें:
import sys
import PyPDF2, traceback
import zlib
try:
from PIL import Image
except ImportError:
import Image
pdf_path = 'path_to_your_pdf_file.pdf'
input1 = PyPDF2.PdfFileReader(open(pdf_path, "rb"))
nPages = input1.getNumPages()
for i in range(nPages) :
page0 = input1.getPage(i)
if '/XObject' in page0['/Resources']:
try:
xObject = page0['/Resources']['/XObject'].getObject()
except :
xObject = []
for obj_name in xObject:
sub_obj = xObject[obj_name]
if sub_obj['/Subtype'] == '/Image':
zlib_compressed = '/FlateDecode' in sub_obj.get('/Filter', '')
if zlib_compressed:
sub_obj._data = zlib.decompress(sub_obj._data)
size = (sub_obj['/Width'], sub_obj['/Height'])
data = sub_obj._data#sub_obj.getData()
try :
if sub_obj['/ColorSpace'] == '/DeviceRGB':
mode = "RGB"
elif sub_obj['/ColorSpace'] == '/DeviceCMYK':
mode = "CMYK"
# will cause errors when saving (might need convert to RGB first)
else:
mode = "P"
fn = 'p%03d-%s' % (i + 1, obj_name[1:])
if '/Filter' in sub_obj:
if '/FlateDecode' in sub_obj['/Filter']:
img = Image.frombytes(mode, size, data)
img.save(fn + ".png")
elif '/DCTDecode' in sub_obj['/Filter']:
img = open(fn + ".jpg", "wb")
img.write(data)
img.close()
elif '/JPXDecode' in sub_obj['/Filter']:
img = open(fn + ".jp2", "wb")
img.write(data)
img.close()
elif '/CCITTFaxDecode' in sub_obj['/Filter']:
img = open(fn + ".tiff", "wb")
img.write(data)
img.close()
elif '/LZWDecode' in sub_obj['/Filter'] :
img = open(fn + ".tif", "wb")
img.write(data)
img.close()
else :
print('Unknown format:', sub_obj['/Filter'])
else:
img = Image.frombytes(mode, size, data)
img.save(fn + ".png")
except:
traceback.print_exc()
else:
print("No image found for page %d" % (i + 1))
कोड के नीचे प्रयास करें। यह पीडीएफ से सभी छवि को निकाल देगा।
import sys
import PyPDF2
from PIL import Image
pdf=sys.argv[1]
print(pdf)
input1 = PyPDF2.PdfFileReader(open(pdf, "rb"))
for x in range(0,input1.numPages):
xObject=input1.getPage(x)
xObject = xObject['/Resources']['/XObject'].getObject()
for obj in xObject:
if xObject[obj]['/Subtype'] == '/Image':
size = (xObject[obj]['/Width'], xObject[obj]['/Height'])
print(size)
data = xObject[obj]._data
#print(data)
print(xObject[obj]['/Filter'])
if xObject[obj]['/Filter'][0] == '/DCTDecode':
img_name=str(x)+".jpg"
print(img_name)
img = open(img_name, "wb")
img.write(data)
img.close()
print(str(x)+" is done")
सबसे पहले pdf2image इंस्टॉल करें
पाइप स्थापित करें pdf2image == 1.14.0
पीडीएफ से पृष्ठों की निकासी के लिए नीचे दिए गए कोड का पालन करें।
file_path="file path of PDF"
info = pdfinfo_from_path(file_path, userpw=None, poppler_path=None)
maxPages = info["Pages"]
image_counter = 0
if maxPages > 10:
for page in range(1, maxPages, 10):
pages = convert_from_path(file_path, dpi=300, first_page=page,
last_page=min(page+10-1, maxPages))
for page in pages:
page.save(image_path+'/' + str(image_counter) + '.png', 'PNG')
image_counter += 1
else:
pages = convert_from_path(file_path, 300)
for i, j in enumerate(pages):
j.save(image_path+'/' + str(i) + '.png', 'PNG')
आशा है कि यह पीडीएफ के पन्नों के अनुसार छवियों के लिए पीडीएफ फाइलों के आसान रूपांतरण के लिए कोडर्स की मदद करता है।