在扫描的PDF文档中将图像与文本分离

Question

常规PDF文件由矢量元素(如文本和矢量图形)和其他嵌入数据(如图像文件)组成。使用诸如pdfimages (如描述的在这个问答中)这样的实用程序来提取后者非常容易。

另一方面，扫描的PDF文档是扫描页面的汇编。每个页面都是位图图像，可能被OCR生成的可搜索文本层覆盖。因此，在扫描的PDF文档上运行pdfimages只会提取所扫描的页面。

我正在寻找的是一个应用程序或命令行实用程序，它可以区分扫描PDF文档中的图像和文本，并提取前者。

像这样的东西存在吗？

Answer 1

使用PDF图像--PDF图像提取工具

用法：pdfimages [options] <PDF-file> <image-root>

示例:以JPEG格式保存图像

out映像-j in.pdf /tmp/out

PS:有人，请把这个标记为副本：从PDF中提取嵌入图像 [creadits转到pl1nk：https://askubuntu.com/users/48864/pl1nk ]