通过python计算pdf文档中的图像

Question

有没有办法通过python计算pdf文档中的图像数量（JPEG，PNG，JPG）？

Answer 1

1. 使用poppler-utils的pdfimages

您可能需要查看poppler-utils包中的pdfimages。

我从 - Sample PDF

中取了样本pdf

在运行以下命令时，将提取pdf中存在的图像 -

pdfimages /home/tata/Desktop/4555c-5055cBrochure.pdf image

本手册中提取的部分图片是 -

Extracted Image1

Extracted Image 2

因此，您可以使用python的子进程模块执行此命令，然后提取所有图像。

注意：此方法存在一些缺点。它以ppm格式生成图像，而不是jpg。此外，可能会提取一些其他图像，这些图像实际上可能不是pdf中的图像。

1. 使用pdfminer

如果您想使用pdfminer执行此操作，请查看此博客文章 - Extracting Text & Images from PDF Files

Pdfminer允许您遍历特定pdf页面的布局。下图显示了布局对象以及pdfminer生成的树结构 -

Layout Objects and Tree Structure

图片来源 - Pdfminer Docs

因此，提取LTFigure对象可以帮助您提取/计算pdf文档中的图像。

注意：请注意，这两种方法可能都不准确，其准确性在很大程度上取决于您正在处理的pdf文档的类型。

Answer 2

我不认为这可以直接完成。虽然我使用以下方法做了类似的事情

1. 使用ghostscript将pdf转换为页面图像。
2. 在每个页面上使用计算机视觉（OpenCV）来提取感兴趣的区域（在您的案例图像中）。