使用python解压缩并保存PDF格式的zlib数据

Question

我们每天都会将PDF文件发送给我们，我们需要将图像输出。例如，我想要做的是使用python将图像从this PDF file I have中取出。我们获得的大多数pdf文件都是多页面的，我们希望将每个嵌入的图像导出为单独的文件。大多数都有jpeg文件，但他的文件没有。

对象5作为zlib压缩流嵌入。我很确定它是zlib压缩的，因为它标记为FlateDecode，流的开头是\ x78 \ x9c，这是zlib的典型。你可以看到the hex dump here

的（部分）

问题是，如何'缩小'并保存生成的文件。

感谢您分享您的智慧。

Answer 1

我到处搜索并尝试了很多东西，却无法开始工作。我设法解压缩这样的数据：

import zlib
with open("MDL1703140088.pdf", "rb") as f:
    pdf = f.read()

image = zlib.decompress(pdf[640:69307])

640是zlib标题（b'x\x9c'）位置，69307是像pdf规范的页脚一样的位置。 b'\nendstream\n'在那里。详情位于the spec，可以找到一些有用的Q＆amp; A here。但是在这种情况下允许省略结束位置，因为decompress()似乎忽略了非压缩数据。您可以通过以下方式验证：

decomp = zlib.decompressobj()
image = decomp.decompress(pdf[640:])
print(decomp.unused_data)  # starts from b'\nendstream\n

到目前为止一切顺利。但是当我将image写入PNG文件时，任何图像查看器都无法读取它。实际上，解压缩的数据在这里和那里看起来都很空洞。我附上了一些PNG标题，但没有运气。嘿，太多了......

正如我之前所说（奇怪的是我的评论已被某人删除），您最好使用其他一些现有工具。如果您不选择Acrobat，那么pdftopng (part of Xpdf)呢？ pdftopng MDL1703140088.pdf .完美地给了我一个有效的PNG文件。显然，命令行工具可以在Python中执行，如您所知。