从PDF中提取图像，如何处理JBIG2编码

Question

我有一堆PDF文件，其中一些是纯文本，但有些是完全或部分保存为“每页一张图像”，因为它们是由扫描仪生成的。

我需要提取中包含的所有图像，然后分别检查每个图像。

我能够使用这里找到的python脚本提取中的大多数图像，请参阅问题：

Extract images from PDF without resampling, in python?

有些包含的图像是用JBIG2编码的，我找不到任何python或其他工具来将jbig2转换成可以用通用图形工具轻松打开的东西。

Answer 1

嗯，我已经为这个问题挣扎了好几个星期，许多答案帮助我度过难关，但是总有一些东西缺少，显然这里没有人对jbig2编码的图像有问题。

在我将要扫描的PDF文件中，用jbig2编码的图像非常流行。

据我所知，有许多拷贝/扫描机器扫描文件，并将它们转换成充满jbig2编码图像的PDF文件。

因此，经过许多天的测试，很久以前，dkagedal就决定采用dkagedal提出的答案。

下面是我在linux上的一步一步的：(如果您有另一个操作系统，我建议使用linux，这会容易得多)。

第一步：

apt-get安装poppler，然后我能够运行命令行工具pdfimages，如下所示：

pdfimages -all myfile.pdf ./images_found/

使用上面的命令，您将能够提取--包含在myfile.pdf中的所有图像，并将它们保存在images_found中(您必须先创建images_found )。

在列表中，您可以找到几种类型的图像(取决于您的pdf)，如: png、jpg、tiff；所有这些都很容易用任何图形工具读取。

然后将有一些文件名为：-145.jb2e和-145.jb2g。

这两个文件包含一个用jbig2编码的图像，保存在两个不同的文件中，一个用于头文件，一个用于数据。

我又浪费了很多天，试图找出如何将这些文件转换成可读的东西，最后我遇到了一个名为jbig2dec的工具。

因此，首先您需要安装这个神奇的工具：

apt-获取安装jbig2dec

然后你就可以跑：

jbig2dec -t png -145.jb2g -145.jb2e

你将最终能够把所有提取出来的图像转换成有用的东西。

祝好运!