为什么如果我用魔杖从pdf提取图像jpg，它会使我在文字上变成黑色背景

Question

我对某些pdf文件有问题。我需要将它们转换为jpg图像，以使其可用于OCR，但是当我将其中一些转换时，Wand将jpg转换为jpg，其中文本上有黑色背景。我看到这是关于空间颜色的常见问题。这似乎发生在将文件word转换为pdf文件的过程中，其中空间颜色变为CMYK。 Tesseract OCR仅接受空间颜色RGB。我已经写了一个可以转换的python脚本，但是我想解决这个问题。你可以帮帮我吗？谢谢。 原始页面pdf 将pdf转换为jpg

Answer 1

解决方案是在调用保存之前进行设置：

page = wi(image=img)

page.background_color = Color('white')
page.alpha_channel = 'remove'

page.save(...)

感谢this堆栈溢出答案。

Answer 2

这是我的代码：

def convert_pdf(pdf_file):

    # Get name file
    title = os.path.splitext(os.path.basename(pdf_file))[0]
    basename = os.path.basename(pdf_file)
    pdf = wi(filename=pdf_file, resolution=100)
    pdfImage = pdf.convert("jpg")
    outputPath = PATH_IMAGES+"/" + basename
    if not os.path.exists(outputPath):
        os.mkdir(outputPath)

    i=1
    for img in pdfImage.sequence:
        page = wi(image=img)
        page.save(filename=outputPath+"/"+title+"(*page="+str(i)+"*)"+".jpg")
        imagePathConverted = outputPath+"/"+title+"(*page="+str(i)+"*)"+".jpg"
        '''image = Image.open(imagePathConverted)

        if image.mode != 'RGB':
            rgb_image = image.convert('RGB')
            rgb_image.save(imagePathConverted)'''
        i += 1

    return outputPath