给定PDF，如何从命令行中提取图像*及其在页面上的位置*？

Question

我有一张包含文字和图片的PDF。我想使用linux命令行从PDF中提取图像。我可以使用pdfimages来提取图像，但我还想在每个页面上找到该图像所在的位置。 pdfimages可以告诉我每个图像（来自文件名）的页面，但这就是它给我的全部内容。有没有其他FLOSS工具可以做到这一点？

Answer 1

我认为PDF必须包含放置它们的信息，所以这应该是可能的。另一方面，解决方案可以是例如：

1. 将每个pdf页面转换为pdftoppm
的图像
2. 使用pdfimages
从每个页面中提取图像
3. 使用cvCvtColor
将图像转换为单个8位灰度通道（以便更快地进行分析）
4. 使用matchTemplate
进行对象检测

步骤1可能类似于第2步：

for i in {0..99} ; do pdfimages -f $((i)) -l $((i+1)) file.pdf page$((i)); done

这里的步骤3 *一个简单的例子

在第4步中，您不应该遇到培训问题，因为图像将完全匹配。 matchTemplate( imageToSearch, pdfPageImg, outputMap, 'CV_TM_SQDIFF')

（* - 链接已删除，因为它现在似乎指向勒索软件网站）

Answer 2

-xml命令的pdftohtml开关将提供图像位置，尺寸和来源信息。

pdftohtml -xml file.pdf

Answer 3

PDF无法保证如果重复使用图像，则不会是单独的图像。除了页面位置及页面上的实际大小之外，PDF文件中的图像元数据非常少。我写了一篇文章，解释了如何在http://www.jpedal.org/PDFblog/2010/09/understanding-the-pdf-file-format-images/

的PDF中存储图像