使用 PyPDF 从 PDF 中提取图像而 xObject 中没有“/Filter”标签

问题描述

目前正在使用类似的方法从 PDF 中提取图像：

import PyPDF4
from PIL import Image
from pathlib import Path
import os

PDFFilePath = Path("somefile.pdf")
OutputFolder = "somedirectory"
pdfpage = 0

with open(PDFFilePath,'rb') as pdf_reader:
    pdf_object = PyPDF4.PdfFileReader(pdf_reader)
    PageFolder = Path(OutputFolder).joinpath(Path(PDFFilePath.stem + '.'+ str(pdfpage)))
    if not PageFolder.exists():
        os.makedirs(PageFolder)

    CurrentPage = pdf_object.getPage(pdfpage)
    xObject = CurrentPage['/Resources']['/XObject'].getobject()

    for obj_index,obj in enumerate(xObject):
        if xObject[obj]['/Subtype'] == '/Image':
            size = (xObject[obj]['/Width'],xObject[obj]['/Height'])
            data = xObject[obj].getData()
            if xObject[obj]['/ColorSpace'] == '/DeviceRGB':
                mode = "RGB"
            else:
                mode = "P"

            if xObject[obj]['/Filter'] == '/FlateDecode':
                img = Image.frombytes(mode,size,data)
                img.save(PageFolder.joinpath(Path(PDFFilePath).stem +"."+ str(pdfpage) + "."+ str(obj_index) + ".png"),'wb')
            elif xObject[obj]['/Filter'] == '/DCTDecode':
                img = open(PageFolder.joinpath(Path(PDFFilePath).stem +"."+ str(pdfpage) + "."+ str(obj_index)+ ".jpg"),'wb')
                img.write(data)
                img.close()
            elif xObject[obj]['/Filter'] == '/JPXDecode':
                img = open(PageFolder.joinpath(Path(PDFFilePath).stem +"."+ str(pdfpage) + "."+ str(obj_index)+ ".jp2"),'wb')
                img.write(data)
                img.close()
            elif xObject[obj]['/Filter'] == '/CCITTFaxDecode':
                img = open(PageFolder.joinpath(Path(PDFFilePath).stem +"."+ str(pdfpage) + "."+ str(obj_index)+ ".tiff"),'wb')
                img.write(data)
                img.close()

我遇到了一堆在 xObject[obj]['/Filter'] 部分没有“/Filter”的 PDF。我尝试通过 Pillow 从 data = xObject[obj].getdata() 中提取原始图像，但抛出“没有足够数据”的错误。如果使用 None

，OpenCV 返回 cv2.imdecode

所提供的 PDF 是保密的，因此我无法提供样本。

仍然使用 PyPDF4 的解决方案会很好。

编辑：OpenCV 图像阅读器

OpenCV 部分（我从代​​码中删除了它，如果没有检测到'/Filter' 就会去）

cv_color_space = cv2.IMREAD_COLOR if mode == "RGB" else cv2.IMREAD_GRAYSCALE
buf = np.frombuffer(data,np.uint8)
img = cv2.imdecode(buf,cv_color_space)
cv2.imwrite("outputfile.png",img)

解决方法

这些图像显然是 .tiff 图像，但没有标题。 我发现了这个：https://stackoverflow.com/a/34555343/13919892

我将此函数添加到我的代码中：

import struct

def tiff_header_for_CCITT(width,height,img_size,CCITT_group=4):
    tiff_header_struct = '<' + '2s' + 'h' + 'l' + 'h' + 'hhll' * 8 + 'h'
    return struct.pack(tiff_header_struct,b'II',# Byte order indication: Little indian
                       42,# Version number (always 42)
                       8,# Offset to first IFD
                       8,# Number of tags in IFD
                       256,4,1,width,# ImageWidth,LONG,width
                       257,# ImageLength,lenght
                       258,3,# BitsPerSample,SHORT,1
                       259,CCITT_group,# Compression,4 = CCITT Group 4 fax encoding
                       262,# Threshholding,0 = WhiteIsZero
                       273,struct.calcsize(tiff_header_struct),# StripOffsets,len of header
                       278,# RowsPerStrip,lenght
                       279,# StripByteCounts,size of image
                       0  # last IFD
                       )

然后将此添加到我的代码中：

if not '/Filter' in xObject[obj]:
    tiff_header = tiff_header_for_CCITT(size[0],size[1],len(data),1) # Using the group "1" because it works for some reason
    inv_data = bytes((~bit + 256 for bit in data)) # for some reason the bits are inverted?
    tiff_data = tiff_header + inv_data # Add the header to the inverted data
    # Write the tiff file
    img = open(PageFolder.joinpath(Path(PDFFilePath).stem +"."+ str(pdfPage) + "."+ str(obj_index)+ ".tiff"),'wb')
    img.write(tiff_data)
    img.close()
    continue

我需要知道如何确定位是否需要反转或使用什么“CCITT Group”。

我会将其标记为答案，也许只是为此提出一个新问题。