从PDF中提取图像，如何处理JBIG2编码

Question

我有一堆PDF文件，其中一些是纯文本，但有些全部或部分保存为“每页一个图像”，因为它们是从扫描仪生成的。

我需要提取PDF中包含的所有图像，然后分别检查每个图像。

我能够使用PYthon脚本提取大部分图像，请参阅问题：

从PDF中提取图像而不重新采样，在蟒蛇中？

一些包含的图像是使用JBIG2编码的，我找不到任何python或其他工具将jbig2转换为可以使用通用图形工具轻松打开的东西。

Answer 1

好吧，我一直在努力解决这个问题很多周，SO的许多答案帮助我度过了难关，但总缺少一些东西，显然这里没有人遇到过jbig2编码图像的问题。在我要扫描的一堆PDF中，用jbig2编码的图像非常受欢迎。据我所知，有许多复印/扫描机器可以扫描纸张并将其转换为充满jbig2编码图像的PDF文件。因此，经过多天的测试，决定选择很久以前dkagedal在这里提出的答案。以下是我对linux的一步一步：（如果你有另一个操作系统，我建议使用Linux Docker，它会容易得多。第一步：然后我能够运行命令行工具，称为pdfimages，如下所示：pdfimages -all myfile.pdf ./images_found/使用上面的命令，您将能够提取myfile中包含的所有图像.pdf并且将它们保存在images_found中（您必须创建images_found之前）在列表中，您可以找到几种类型的图像（取决于您的pdf），例如：png，jpg，tiff;所有这些都可以使用任何图形工具轻松阅读。然后你会有一些文件命名为：-145.jb2e和-145.jb2g。这2个文件包含一个图像编码在jbig2，这是保存在2个不同的文件，一个为标题和一个为数据我再次失去了很多天，试图找出如何将这些文件转换为可读的东西，最后我遇到了这个名为jbig2dec的工具。因此，首先您需要安装此神奇工具：apt-get install jbig2dec然后您可以运行：jbig2dec -t png -145.jb2g -145.jb2e您最终将能够将所有提取的图像转换为有用的东西。祝你好运！