在python中从PDF提取图像

Question

我正在尝试使用PyPDF2从pdf提取图像，但是当我的代码得到它时，该图像与实际应有的外观完全不同，请看下面的示例：

但这实际上应该是这样的：

这是我正在使用的pdf文件：

https://www.hbp.com/resources/SAMPLE%20PDF.pdf

这是我的代码：

pdf_filename = "SAMPLE.pdf"
pdf_file = open(pdf_filename, 'rb')
cond_scan_reader = PyPDF2.PdfFileReader(pdf_file)
page = cond_scan_reader.getPage(0)

xObject = page['/Resources']['/XObject'].getObject()
i = 0
for obj in xObject:
    # print(xObject[obj])
    if xObject[obj]['/Subtype'] == '/Image':
        if xObject[obj]['/Filter'] == '/DCTDecode':
            data = xObject[obj]._data
            img = open("{}".format(i) + ".jpg", "wb")
            img.write(data)
            img.close()
            i += 1 

由于我需要将图像保持在彩色模式下，如果是CMYK，就不能将其转换为RBG，因为我需要这些信息。 另外，我正在尝试从pdf图像中获取dpi，该信息是否始终存储在图像中？ 预先感谢

Answer 1

希望这行得通：您可能需要使用另一个库，例如Pillow：

这里是一个例子：

    from PIL import Image
    image = Image.open("path_to_image")
    if image.mode == 'CMYK':
        image = image.convert('RGB')
    image.write("path_to_image.jpg")

参考：Convert from CMYK to RGB

Answer 2

我使用pdfreader从您的示例中提取了图像。 图像使用 ICCBased 色彩空间，其值为 N = 4 和 Intent 值为 RelativeColorimetric 。这意味着“最近”的PDF颜色空间是 DeviceCMYK 。

您需要做的就是将图像转换为RGB并反转颜色。

代码如下：

from pdfreader import SimplePDFViewer
import PIL.ImageOps 

fd = open("SAMPLE PDF.pdf", "rb")
viewer = SimplePDFViewer(fd)

viewer.render()
img = viewer.canvas.images['Im0']

# this displays ICCBased 4 RelativeColorimetric
print(img.ColorSpace[0], img.ColorSpace[1].N, img.Intent)

pil_image = img.to_Pillow()
pil_image = pil_image.convert("RGB")
inverted = PIL.ImageOps.invert(pil_image)


inverted.save("sample.png")

详细了解PDF对象：图像(sec. 8.9.5)，InlineImage (sec. 8.9.7)