Поиск и идентификация потоков в PDF с использованием Python

Question

Я около недели пытался автоматизировать извлечение изображений из PDF. К сожалению, ответы, которые я нашел здесь, не помогли. Я видел несколько вариантов одного и того же кода с использованием pypdf2, все с ['/XObject'] в них, что приводит к KeyError,

То, что я ищу, кажется, прячется в потоках, которые я не могу найти в pypdf2 словарь (даже после рекурсивного изучения всей структуры, вызывая .getObject() на каждый косвенный объект, который я могу найти).

С помощью pypdf2 Я написал одну страницу из PDF и открыл ее, используя Notepad++, чтобы найти несколько потоков с /FlateDecode фильтр.

pdfrw был немного более полезным, что позволило мне использовать PdfReader(path).pages[page].Contents.stream чтобы получить поток (без понятия, как получить другие).

С помощью zlib Я распаковал его, и получил что-то, начиная с:

/Part <</MCID 0 >>BDC

(Он также содержит много чисел с плавающей точкой, как положительных, так и отрицательных)

Из того, что я мог найти, BDC имеет отношение к ghostscript.

В этот момент я сдался и решил обратиться за помощью.

Есть ли инструмент Python, чтобы, по крайней мере, извлечь все потоки (и определить FlateDecode тег?)

И есть ли способ для меня, чтобы определить, что там скрыто? Я ожидал начальный тег какого-либо формата изображения, чего явно нет. Как мне дополнительно проанализировать этот результат, чтобы найти любое изображение, которое может быть там скрыто?

Я ищу что-то, что можно применить к любому PDF, который отображается правильно. Какой-то инструмент для дальнейшего анализа или, по крайней мере, поможет мне разобраться в потоках, или даже справка, которая поможет мне понять, что происходит.

Редактировать: кажется, как заметил Патрик, что я лаю не на том дереве. Я пошел в потоки, так как я не мог найти xObjects при открытии PDF в Notepad++ или при запуске различных скриптов Python, используемых для анализа PDF-файлов. Мне удалось найти то, что я подозреваю, изображения, без xObject теги, но с чем-то вроде потокового тега - хотя информация не сжимается.

Answer 1

Если вы не хотите извлекать встроенные изображения, что не так часто, поток контента не место для поиска изображений. Наиболее распространенным случаем являются потоки типа XObject, подтипа Image, которые обычно находятся в словаре ресурса ->XObject (см. Разделы 7.3.3, 7.8.3 и 8.95 справочника PDF, обозначенного @mkl).

Альтернативно, Image XObjects также можно найти в Form XObjects (форма подтипа, которая указывает, что они имеют свои собственные потоки контента) в своем собственном словаре Resource->XObject, поэтому поиск по Image XObjects может быть рекурсивным.

У Image XObject также может быть softMask, который сам по себе является собственным Image XObject. Формы XObjects также используются в шаблонах листов и, следовательно, могут, по-видимому, содержать Image XObjects (но они также не очень распространены) или использоваться в обычном представлении аннотации (но XObjects Image реже используются в таких аннотациях, за исключением, возможно, 3D или мультимедийные аннотации).