我目前正在使用pdf文件的Python 3.x图像提取器,似乎无法找到解决我在整个工作中遇到的问题的解决方案。我的意图是提取不带这些文件的公司徽标的pdf文件(车辆报告)的所有图像。到目前为止,我有一个使用fitz的有效代码,该代码可以找到图像并将其存储(我在互联网上找到了此代码)。不幸的是,它们以错误的顺序返回。为了给图片加上标题,必须按照在pdf中的显示顺序进行保存。
我已经尝试通过按升序使用xref-String(在pdf中定义一个字符串的字符串)中定义的对象名称来实现此目的。在该版本之前,我通过dict(我知道未排序,但通过对键进行排序将其计数器)用计数器注释了图片,但是大约有2-4张未分类的约30张图片。此外,对于我来说,这段代码似乎不是一个好的解决方案,因为我通过注释计数器来“伪造”图像编号。
我当前的版本(外部参照名称):
import fitz
import sys
import re
checkXO = r"/Type(?= */XObject)" # finds "/Type/XObject"
checkIM = r"/Subtype(?= */Image)" # finds "/Subtype/Image"
doc = fitz.open(fr"{pdfpath}")
lenXREF = doc._getXrefLength() # number of objects
pixmaps = {}
imgcount=0
count=0
imglist=[]
for i in range(1, lenXREF): # scan through all objects
text = doc._getXrefString(i) # string defining the object
isXObject = re.search(checkXO, text) # tests for XObject
isImage = re.search(checkIM, text) # tests for Image
if not isXObject or not isImage: # not an image object if not both True
continue
count+=1
pix = fitz.Pixmap(doc, i) # make pixmap from image
if re.search(r'Name \WIm(\d+)',text) != None:
imglist.append(re.search(r'Name \W(Im\d+)',text).group(1))
pixmaps[re.search(r'Name \W(Im\d+)',text).group(1)]=pix
if re.search(r'Name \W(Im\d+)',text) == None:
imglist.append(count)
pixmaps[count]=pix
imglist1=[]
for i in range(1,doc.pageCount):
if len(doc.getPageImageList(i))>1:
for entry in doc.getPageImageList(i):
imglist1.append(entry[7])
break
for entry in imglist1:
pixmaps[entry].writeImage(fr"{dirpath}\%s.jpg" % (imgcount),'jpg')
imgcount+=1
请随时提出一种全新的方法来完成此任务。预先感谢您的帮助。
答案 0 :(得分:0)
回购维护者的答案
在较新的PyMuPDF版本(最佳使用v1.17.0)中,您可以在页面上获取图像的位置。当您谈论“正确的价格”:rect = page.getImageBbox(name)
时,这似乎是您的意图,其中名称是您上方的entry[7]
。
答案 1 :(得分:0)
对图像列表使用 sorted()。 如果您可以使用不同的版本,请参阅https://stackoverflow.com/a/68267356/7240889