使用python查找和识别PDF中的流

Question

我已经尝试了大约一周的时间来自动从pdf中提取图像。不幸的是，我没有找到答案。我在同一个代码中看到了使用pypdf2的多个变体，其中都有['/XObject']，这导致了KeyError。在

我要寻找的似乎是隐藏在流中的，在pypdf2的字典中找不到（甚至在递归地探索整个结构之后，对我能找到的每个间接对象调用.getObject()）。在

使用pypdf2我已经从pdf中写下一页，并使用Notepad++打开它，以找到一些带有/FlateDecode过滤器的流。在

pdfrw稍有帮助，允许我使用PdfReader(path).pages[page].Contents.stream来获取A流（不知道如何获取其他流）。在

{I>开始，用cd10>解压：

/Part <</MCID 0 >>BDC

（它还包含许多浮点数，包括正数和负数）

据我所知，BDC与ghostscript有关。在

这时我放弃了，决定寻求帮助。在

是否有一个python工具来至少提取所有流（并标识FlateDecode标记）在

有没有办法让我知道里面藏着什么？我期望某个图像格式的开始标记，但这显然不是。我如何进一步解析这个结果，以找到任何可能隐藏在其中的图像？在

我要找的东西，我可以适用于任何PDF，显示正确。一些工具来进一步解析，或者至少帮助我理解流，或者甚至是一个可以帮助我理解发生了什么的引用。在

编辑：帕特里克指出，我好像找错了方向。因为在Notepad++中打开PDF时，或者运行用于解析PDF的各种python脚本时，我找不到任何{}。我设法找到了我怀疑的是图像，没有xObject标记，但是有一个看起来像流标记的图像-尽管信息没有被压缩。在

Answer 1

除非您希望提取不常见的内联图像，否则内容流不是查找图像的地方。更常见的情况是XObject类型的流和Image子类型的流，这些流通常在页面的资源->XObject字典中找到（请参见@mkl指示的PDF参考的第7.3.3、7.8.3和8.95节）。在

或者，图像XObject也可以在它们自己的资源->XObject字典中的表单XObject（子类型Form，表示它们有自己的内容流）中找到，因此可以递归地搜索图像XObject。在

图像XObject也可以有一个软掩码，它本身就是它自己的图像XObject。表单xObject也用于平铺模式，因此可以想象包含图像xObject（但它们也不那么常见），或用于注释的正常外观（但图像XObject在此类注释中使用较少，可能除了3D或多媒体注释）。在