通过python计算pdf文档中的图像

Question

有没有办法通过 python 计算 pdf 文档中的图像数量（JPEG、PNG、JPG）？

Answer 1

1. 使用来自 poppler-utils 的 pdfimages

您可能想看看 poppler-utils 包中的 pdfimages。

我从-Sample PDF获取了样本 pdf

在运行以下命令时，会提取 pdf 中存在的图像 -

pdfimages /home/tata/Desktop/4555c-5055cBrochure.pdf image

从这本小册子中提取的一些图片是 -

Extracted Image1

Extracted Image 2

所以，你可以使用python的subprocess模块​​来执行这个命令，然后提取所有的图片。

注意：这种方法有一些缺点。它生成 ppm 格式的图像，而不是 jpg。此外，可能会提取一些额外的图像，这些图像实际上可能不是 pdf 中的图像。

1. 使用 pdfminer

如果您想使用 pdfminer 执行此操作，请查看此博客文章 - Extracting Text & Images from PDF Files

Pdfminer 允许您遍历特定 pdf 页面的布局。下图显示了布局对象以及pdfminer生成的树结构-

Layout Objects and Tree Structure

图片来源-Pdfminer Docs

因此，提取 LTFigure 对象可以帮助您提取/计数 pdf 文档中的图像。

注意：请注意，这两种方法可能都不准确，其准确性很大程度上取决于您处理的 pdf 文档的类型。

Answer 2

我认为这不能直接完成。虽然我使用以下方法做了类似的事情

1. 使用 ghostscript 将 pdf 转换为页面图像。
2. 在每个页面上，使用计算机视觉 (OpenCV) 提取感兴趣的区域（在您的案例图像中）。