使用apache-tika和python从PDF中提取内联图像
使用apache-tika和python从PDF中提取内联图像
提问于 2019-05-08 16:09:37
我需要将PDF文档转换为XML或JSON格式，包括内联图像。
到目前为止，我能够使用python-tika库生成XML。要进行复制，请使用带有内联图像的测试PDF文档，并通过python-tika模块提取：
from tika import parser
xml_data = parser.from_file('test.pdf', xmlContent=True)
print(xml_data)XML输出包含指向“嵌入”图像的链接，如下所示：
<img src="embedded:image0.png" alt="image0.png" />但是，我不明白图像是如何作为适当的部分嵌入的，因为XML看起来像这样：
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta name="Compression Lossless" content="true" />
<meta name="Dimension PixelAspectRatio" content="1.0" />
<meta name="tiff:ImageLength" content="833" />
<meta name="height" content="833" />
<meta name="pHYs" content="pixelsPerUnitXAxis=2835, pixelsPerUnitYAxis=2835, unitSpecifier=meter" />
<meta name="tiff:ImageWidth" content="1177" />
<meta name="Chroma BlackIsZero" content="true" />
<meta name="resourceName" content="image0.png" />
<meta name="Dimension VerticalPixelSize" content="0.35273367" />
<meta name="Data BitsPerSample" content="8 8 8" />
<meta name="tiff:BitsPerSample" content="8 8 8" />
<meta name="width" content="1177" />
<meta name="PLTE PLTEEntry" content="index=0, red=255, green=255, blue=255" />
<meta name="PLTE PLTEEntry" content="index=1, red=254, green=254, blue=254" />
<meta name="PLTE PLTEEntry" content="index=2, red=253, green=253, blue=253" />
<meta name="PLTE PLTEEntry" content="index=3, red=251, green=251, blue=251" />
...有谁知道如何将这些嵌入的代码转换成实际的图像？我想将图像保存到文件系统中，名为"image0.png“、"image1.tiff”等等。
回答 1
Stack Overflow用户
发布于 2020-03-29 15:02:11
尝试导入tika的解包功能。
from tika import unpack
image = unpack.from_file(file, serverEndpoint="http://localhost:9998")响应应该有一个“attachment”键。这是存储图像的位置。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/56036233
复制相关文章
相似问题
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号