为什么从扫描的文档中可以提取文本，但不能提取图像

Question

我之前在stackoverflow 中问过类似的问题。我想问另一个相关的问题，所以我再次改写原来的问题。

我使用 PDFBox 从 pdf 中提取图像和文本，在 skydrive 和 scribd 中可用。我有以下用于提取文本的代码：

 PDFTextStripper p = new PDFTextStripper();
 String thistext=p.getText(document);

正确地提取了文本。但是，当我尝试使用 ExtractImages 类从同一个 pdf 中提取图像时，生成的图像都是 pdf 的所有页面，而不是实际的图像（应该是 1）。

在我看来，pdf 可以是扫描文档。答案是the fact that it is scanned is your issue。我再次尝试使用pdftotext 和pdfimages。文本被提取出来，但是pdfimages输出了5个图像文件，都是pdf的页面（同PDFBox）。

据我所知，光栅图像在 pdf 中存储为 Xobjects。当我用文本编辑器打开 pdf 时，我看到了以下 5 行：

<< /Type /XObject /Subtype /Image /Name /X /Width 2600 /Height 3799

这可能是PDFBox 和XPDF 将 5 页 pdf 输出为图像文件的原因。那么如何从pdf中提取文本？是否有技术文档提到为什么（或如何）可以从这样的文档中提取文本，其中页面“据说”嵌入为 XObjects。我可以在我的报告中引用文档。

Answer 1

检查了您的 PDF 文件后，您的问题在 cmets 中的第一个猜测已得到确认...

您的示例文档经过扫描，基本上每页包含一个位图图像。当您放大文档时，您可以很快看到所有内容看起来都相当像素化。

所有图像的分辨率均为 2600x3799，并且是黑白的。

这些图像还经过 OCR 处理，生成的文本已隐形添加到允许选择、复制和粘贴的页面中。

例如看看885页的顶部：

它的内容流是这样开始的：

1 0 0 1 -0.5998 -0.4801 cm
1 1 1 rg
1 i 
/RelativeColorimetric ri
/GS0 gs
0 0 469.2 684.7 re
f
q
467.9972 0 0 683.8015 0.6014 0.4492 cm
/Im0 Do
Q

这里/Im0，页面图像，被插入

1 0 0 1 0.5998 0.4801 cm
0 0 0 rg
BT
/TT0 1 Tf
3 Tr 9.8 0 0 10.4 35.8002 640.4199 Tm

这里准备添加文本；特别看看3 Tr：此操作将文本呈现模式设置为3，即既不是填充也不是描边文本（不可见）。（第 9.3.6 节 文本呈现模式 在ISO 32000-1:2008)

(A )Tj
/TT1 1 Tf
-0.01 Tc 8.8 0 0 9.5 43.4002 640.4199 Tm
(%gust )Tj

在这里您会看到添加的文本，以“A”和“%gust”开头。这实际上表明 OCR 的结果似乎没有得到适当的检查，因为那应该是“八月”。低质量的文字信息还在继续：

A %gust , 1978 SHORT PAPERS 885
where
and also
Similarly for B. Also,
T, = AY-l T
as a result of the adiabatic cooling of the vapour.
Stage 2:
Here a volume of vapour and a volume of liquid I are removed and replaced with an
equal volume of air containing concentrations Y and s of A and B, respectively. Of course,
r or s may either or both be negligibly small, with subsequent simplification.

如您所见，许多特殊字符和公式未被识别或未被正确识别。