无法从特定 PDF 中提取文本和图像

Question

谁能告诉我如何从 PDF 中提取所有文本和图像。我能够在类似场景中提取图像，我使用 Google Docs 创建了一个包含几行文本的 PDF 和 2 个 png 图像。但是，我无法从样本 pdf.

中提取图像

我试过以下方法：

在Ruby中：

1) "pdf-reader" gem, 仅支持提取少数格式的图片

2)"docsplit"gem,只能提取文字，不能提取图片

命令行实用程序：

1) "pdfimages"工具，只支持提取少数格式的图片

Java图书馆：

1) "pdfbox" 库，仅支持提取少数格式的图片。

Answer 1

1.

提取文本：

pdftotext -layout the.pdf -

将所有页面的文本提取到 <stdout>。

pdftotext -layout -nopgbrk the.pdf the-3-5.txt

将所有页面的文本提取到文件 the.txt，不要插入这些讨厌的 ^L 表示新页面的字符。

pdftotext -f 3 -l 5 -layout the.pdf -

将第 3--5 页的文本提取到 the-3-5.txt。

2.

提取图像

pdfimages -f 4 -l 7 -j the.pdf myprefix--

将第 4 页到第 7 页的所有图像提取为 JPEG（如果可能！）并使用前缀 myprefix---.

命名它们

如果无法提取为 JPEG，图像将被提取为纯光栅 PPM 或 PGM。

pdfimages（Poppler 分支）的最新版本允许您指定 -png（以及更多）以将所有图像获取为 PNG。

使用最新版本的 pdfimages 可为您提供以下选项：

$ pdfimages -h

   pdfimages version 0.33.0
   Copyright 2005-2015 The Poppler Developers - http://poppler.freedesktop.org
   Copyright 1996-2011 Glyph & Cog, LLC
   Usage: pdfimages [options] <PDF-file> <image-root>
     -f <int>       : first page to convert
     -l <int>       : last page to convert
     -png           : change the default output format to PNG
     -tiff          : change the default output format to TIFF
     -j             : write JPEG images as JPEG files
     -jp2           : write JPEG2000 images as JP2 files
     -jbig2         : write JBIG2 images as JBIG2 files
     -ccitt         : write CCITT images as CCITT files
     -all           : equivalent to -png -tiff -j -jp2 -jbig2 -ccitt
     -list          : print list of images instead of saving
     -opw <string>  : owner password (for encrypted files)
     -upw <string>  : user password (for encrypted files)
     -p             : include page numbers in output file names
     -q             : don't print any messages or errors
     [....]

您还想要什么图片格式？如果您需要其他格式，请使用 ImageMagick 的 convert 命令。

此外，PDF 中没有嵌入其他 "formats"。

基本上，PDF 中嵌入图像的唯一压缩方法是：

JPEG（然后提到 /DCTDEcode 过滤器作为对 PDF 查看器的解压缩提示），
JBIG2 (/JBIG2Encode),
传真压缩（CCITTFaxDecode）和
JPEG2000 (JPXDecode).

PDF 中嵌入的所有其他图像基本上都是纯栅格数据（PPM 或 PGM），它们的 PDF 内部压缩是 其他[=104] 之一=] 可用于一般流压缩的标准压缩方法：

/FlateDecode（ZIP/Deflate算法），

/LZWDecode（Lempel-Ziv-Welch 算法）和

/RunLengthDecode.

更新

抱歉，我现在才有时间查看您链接的示例 PDF。

正如@mkl 在他的评论中所写，看起来 像图像不是始终是 PDF 技术术语中的图像。例如，在您的 PDF 第 7 页上有（著名的）虎头。这完全由矢量元素组成，这些元素内嵌到页面的 /Contents 流中。所描绘的棋盘也是如此。

我相信老虎图像是在几十年前的一些矢量图形程序（Adobe Illustator？）的帮助下设计的，当时它刚刚发布，并导出为 EPS。在许多情况下，PDF 查看器现在可以从其他内容中识别内联矢量元素（可以是简单的水平线）。除非这些矢量元素 "grouped" 到 XObject 中（pdfimages 也无法提取，但有助于手动隔离和提取...）

我知道的任何（免费和开源软件，或免费闭源软件）工具都无法自动提取这些矢量元素。

"real" 图像在 PDF 术语中是像素数据的矩形。这些是唯一可以通过 pdfimages.
等工具提取的图像类型

无法从特定 PDF 中提取文本和图像

Unable to extract text and images from specific PDF

ruby

pdf

command-line

ubuntu-14.04

pdfbox

1.

2.

更新