是否可以在没有外部库的情况下从PDF中提取tiff文件？

Question

我能够使用Ned Batchelder's python code（我转换为C ++）从pdf文件中提取jpgs。我想知道是否可以使用相同的技术来提取tiff文件，如果是这样，有没有人知道适当的偏移和标记来找到它们？ 谢谢， 大卫

Answer 1

PDF文件可能包含不同的图像数据（毫不奇怪）。

最常见的情况是：

• 传真数据（CCITT Group 3 and 4）
• 带有解码参数和可选调色板的原始栅格数据，全部使用Deflate或LZW压缩进行压缩
• JPEG数据

最近，我（作为PDF库的开发者）开始注意到越来越多的带有JBIG2图像数据的PDF。此外，JPEG2000有时可以放入PDF。

我应该说，您可能无需外部库就可以将JPEG / JBIG2 / JPEG2000数据提取到相应的*.jpeg / *.jp2 / *.jpx文件中，但要为各种奇怪的PDF做好准备由破碎的发电机发出。此外，PDF经常使用对象流，因此您需要为PDF实现复杂的解析器。

传真数据（即您可能称之为TIFF的内容）应至少打包成有效的TIFF。例如，您可以从开源libtiff借用一些代码。

然后是原始栅格数据。我认为在没有图书馆帮助的情况下尝试提取这些数据是没有意义的。当然，你可以做到这一点，但这需要数月的工作。

因此，如果您尝试仅从一组使用相同生成器创建的PDF中提取特定类型的图像数据，那么您的任务可能是可行的。在所有其他情况下，我建议节省时间，金钱和头发，并使用库来完成任务。

Answer 2

PDF文件将Jpegs存储为实际的JPEGS（DCT和JPX编码），因此在大多数情况下，您可以将数据翻录出来。使用Tiffs，您正在寻找CCITT数据（但您需要为数据添加标题以使其成为Tiff）。我在http://www.jpedal.org/PDFblog/2010/09/understanding-the-pdf-file-format-images/和http://www.jpedal.org/PDFblog/2011/07/extract-raw-jpeg-images-from-a-pdf-file/撰写了2篇关于PDF文件图片的博客文章，这可能有所帮助。