从 PDF 转换为图像时无法读取图像数据

Question

我正在尝试将 PDF 转换为图像以进一步处理 Tesseract。当我使用 cmd:

转换时它有效

magick convert a.pdf b.png

但是当我尝试使用 Python:

做同样的事情时不起作用

from wand.image import Image
with Image (filename='a.pdf') as img:
    img.save(filename = 'sample.png')`

我得到的错误是：

unable to read image data D:/Users/UserName/AppData/Local/Temp/magick-4908Cq41DDA5FxlX1 @ error/pnm.c/ReadPNMImage/1346

我也安装了ghostscipt，但是还是报错

编辑：

我将下面回复中提供的代码进行了修改以读取所有页面。原始问题仍然存在，下面的代码使用 pdf2image:

from pdf2image import convert_from_path
import os
pdf_dir = "D:/Users/UserName/Desktop/scraping"
for pdf_file in os.listdir(pdf_dir):
    if pdf_file.endswith(".pdf"):
        pages = convert_from_path(pdf_file, 300)
        pdf_name = pdf_file[:-4]

        for page in pages:
            page.save("%s-page%d.jpg" % (pdf_name, pages.index(page)), "JPEG")

Answer 1

您可以使用 pdf2image 而不是 wand.image。像这样安装：

pip install pdf2image

这是一个循环遍历 PDF 中每一页的代码，最后将它们转换为 JPEG：

import os
import tempfile
from pdf2image import convert_from_path

filename = 'target.pdf'

with tempfile.TemporaryDirectory() as path:
     images_from_path = convert_from_path(filename, output_folder=path, last_page=1, first_page =0)

base_filename = os.path.splitext(os.path.basename(filename))[0] + '.jpg'     

save_dir = 'dir'

for page in images_from_path:
    page.save(os.path.join(save_dir, base_filename), 'JPEG')

从 PDF 转换为图像时无法读取图像数据

Unable to read image data when converting from PDF to Image

python

imagemagick