无法从特定PDF中提取文本和图像

Question

有谁能让我知道如何从PDF中提取所有文本和图像？在类似的场景中，我能够提取图像，我使用Google创建了一个PDF，只有几行文本和2个png图像。但是，我无法从样本pdf格式中提取图像。

我试过以下几点：

在Ruby中：

1)“pdf阅读器”创业板，它只支持少数格式的图像提取。

2)“文档分割”创业板，它只能提取文本，不能提取图像。

命令行实用程序：

1) "pdfimages“工具，它只支持少数格式的图像提取。

Java库：

1) pdfbox库，它只支持少数格式的图像提取。

Answer 1

1.

提取文本：

pdftotext -layout the.pdf -

将所有页面的文本解压缩到<stdout>。

pdftotext -layout -nopgbrk the.pdf the-3-5.txt

将所有页面的文本提取为the.txt文件，不要插入这些表示新页面的讨厌的the.txt字符。

pdftotext -f 3 -l 5 -layout the.pdf -

将页面‘3--5’文本解压缩到-3-5.txt。

2.

提取图像

pdfimages -f 4 -l 7 -j the.pdf myprefix--

从第4页到第7页提取所有图像为JPEG(如果可能的话！)并用前缀myprefix---命名它们。

如果不可能将图像提取为JPEG，则将图像提取为纯光栅PPM或PGM。

pdfimages (Poppler叉)的最新版本允许您指定-png (以及更多)来将所有图像作为PNG获取。

使用最新版本的pdfimages可以提供以下选项：

$ pdfimages -h

   pdfimages version 0.33.0
   Copyright 2005-2015 The Poppler Developers - http://poppler.freedesktop.org
   Copyright 1996-2011 Glyph & Cog, LLC
   Usage: pdfimages [options] <PDF-file> <image-root>
     -f <int>       : first page to convert
     -l <int>       : last page to convert
     -png           : change the default output format to PNG
     -tiff          : change the default output format to TIFF
     -j             : write JPEG images as JPEG files
     -jp2           : write JPEG2000 images as JP2 files
     -jbig2         : write JBIG2 images as JBIG2 files
     -ccitt         : write CCITT images as CCITT files
     -all           : equivalent to -png -tiff -j -jp2 -jbig2 -ccitt
     -list          : print list of images instead of saving
     -opw <string>  : owner password (for encrypted files)
     -upw <string>  : user password (for encrypted files)
     -p             : include page numbers in output file names
     -q             : don't print any messages or errors
     [....]

你还想要什么图像格式？如果需要其他格式，请使用ImageMagick的convert命令。

另外，在PDF中没有其他的“格式”。

基本上，嵌入在PDF中的图像的唯一压缩方法是：

• JPEG (然后将/DCTDEcode过滤器作为对PDF查看器的解压缩提示)，
• JBIG2 (/JBIG2Encode)
• 传真压缩(CCITTFaxDecode)和
• JPEG2000 (JPXDecode)。

在PDF中嵌入的所有其他图像基本上都是纯光栅数据(PPM或PGM)，它们的PDF-内部压缩是可用于一般流压缩的其他标准压缩方法之一：

• /FlateDecode (ZIP/Deflate算法)，
• /LZWDecode (Lempel-Ziv-Welch算法)
• /RunLengthDecode。

更新

我现在才有时间看你的链接样本PDF，对不起。

正如@mkl在他的评论中所写的，看起来像的图像并不总是技术术语中的图像。例如，在您的PDF的第7页有(著名的)虎头。这完全由向量元素组成，这些元素被内联地放置到页面的/Contents流中。所描绘的棋盘也是如此。

我相信老虎图像是几十年前在一些矢量图形程序的帮助下设计的(奥多比插画定子？)当它刚刚被释放，并出口到EPS。在五月份的情况下，PDF查看器现在可以从其他内容中识别内联向量元素(可以是简单的水平线)。除非这些向量元素被“分组”成一个XObject ( pdfimages也无法提取它，但它将有助于手动隔离和提取.)

这些向量元素不能由我所知道的任何(自由和开放源码软件，或免费提供的封闭源代码软件)工具自动提取。

PDF术语中的“真实”图像是像素数据的矩形。这是唯一可以被像pdfimages这样的工具提取的图像类型。