为什么从扫描文档，文本可以提取，但不是图像

Question

我之前在stackoverflow问了一个类似的问题。我想问另一个相关的问题，所以我再次重新提出原来的问题。

我使用PDFBox从pdf中提取图片和文字，可在skydrive和scribd中找到。我有以下代码用于提取文本：

 PDFTextStripper p = new PDFTextStripper();
 String thistext=p.getText(document);

正确提取了文本。但是，当我尝试使用ExtractImages类从相同的pdf中提取图像时，生成的图像是pdf的所有页面，而不是实际图像（应该是1）。

在我看来，pdf可能是扫描文件。答案是the fact that it is scanned is your issue。我使用pdftotext和pdfimages再次尝试了。提取文本，但pdfimages输出5个图像文件，这些文件都是pdf的所有页面（与PDFBox相同）。

据我所知，光栅图像在pdf中存储为Xobjects。当我用文本编辑器打开pdf时，我看到了以下5行的出现：

<< /Type /XObject /Subtype /Image /Name /X /Width 2600 /Height 3799

这可能是PDFBox和XPDF输出5页pdf作为图像文件的原因。那么如何从pdf中提取文本？是否有技术文档提到为什么（或如何）从这样的文档中提取文本，其中页面被“假定”嵌入为XObjects。我可以在报告中引用文档。

Answer 1

检查了您的PDF文件后，您的问题评论中的第一个猜测已经确认......

您的示例文档已被扫描，基本上每页包含一个位图图像。当您放大文档时，您可以快速看到所有内容看起来都非常像素。

所有图像的分辨率均为2600x3799，为黑白色。

这些图像进一步被OCR所有，并且所得到的文本被无形地添加到页面中，这允许选择，复制和放大。粘贴。

E.g。看一下第885页的顶部：

其内容流开头如下：

1 0 0 1 -0.5998 -0.4801 cm
1 1 1 rg
1 i 
/RelativeColorimetric ri
/GS0 gs
0 0 469.2 684.7 re
f
q
467.9972 0 0 683.8015 0.6014 0.4492 cm
/Im0 Do
Q

此处插入/ Im0，页面图像

1 0 0 1 0.5998 0.4801 cm
0 0 0 rg
BT
/TT0 1 Tf
3 Tr 9.8 0 0 10.4 35.8002 640.4199 Tm

准备补充文字;特别是看看3 Tr：此操作将文本呈现模式设置为3，这是既不填充也不冲程文本（不可见）。（第9.3.6节 ISO 32000-1:2008）

中的文字渲染模式

(A )Tj
/TT1 1 Tf
-0.01 Tc 8.8 0 0 9.5 43.4002 640.4199 Tm
(%gust )Tj

在这里，您会看到添加的文字，以'A'和'％gust'开头。这实际上表明OCR的结果似乎没有被正确检查，因为它应该是'八月'。低质量的文本信息仍在继续：

A %gust , 1978 SHORT PAPERS 885
where
and also
Similarly for B. Also,
T, = AY-l T
as a result of the adiabatic cooling of the vapour.
Stage 2:
Here a volume of vapour and a volume of liquid I are removed and replaced with an
equal volume of air containing concentrations Y and s of A and B, respectively. Of course,
r or s may either or both be negligibly small, with subsequent simplification.

如您所见，许多特殊字符和公式未被正确识别。