☰

主要答案

tag-icon • tag-icon command-line pdf display-resolution
主要答案

我有一些 PDF 文件，我想将它们拆分成 TIFF 文件convert（以便通过 OCR 进行识别tesseract）。到目前为止，这个方法效果很好 - 但为了使整个过程自动化，我需要设置输出的 DPI convert。现在，我正在使用如下命令：

convert -density 300 myFile.pdf -depth 8 -background white output-%04d.tiff

... 以 300 DPI 输出 PDF 文件。但是，有些 PDF 文件降低DPI（例如 150 DPI），这意味着我不想以 300 DPI 的输出它们convert- 这会创建过大的 TIFF 文件而没有任何附加信息。

我知道可以通过打开 Adob​​e Acrobat 并在“预检”工具中操作来检查 PDF 文件中图像的 DPI。但是，有没有办法通过命令行确定特定 PDF 文件的 DPI？

答案1

主要答案

因为我对同样的工作感兴趣（虽然不一定对 PDF 文件进行 OCR，而是将它们转换为视音频和然后OCR），我发现这个问题和答案都不够充分（因为我需要猜测图像的 DPI 和像素数，然后使用大小作为输出pdfinfo或其他技巧——更不用说 PDF 中的图像可能具有不同的密度等）。

经过大量研究，我发现你可以使用pdfimages（来自包poppler 实用程序) 如下所示：

$ pdfimages -list deptest.pdf
page   num  type   width height color comp bpc  enc interp  object ID x-ppi y-ppi size ratio
--------------------------------------------------------------------------------------------
   1     0 image     100   100  gray    1   1  image  no         9  0    53    53  169B  14%
   2     1 image     100   100  gray    1   1  ccitt  no   [inline]      53    53  698B  56%

注意上面列表中的x-ppi和y-ppi。它还列出了图像在 PDF 中的存储格式，这很酷（有时是 JBIG2，有时是 JPEG2000 等）。

注意：上面使用的文件deptest.pdf可用来自pdfsizeopt的存储库。

真正的行动

此后，您可以简单地提取图像pdfimages本身或使用pdftoppm（也可以从poppler-utils）以您可能喜欢的多种格式（例如，tiff，用于扫描）呈现整个页面tesseract。

您可以使用类似下面的方法（假设您已经创建了一个名为imgs放置图像的目录）：

pdfimages -png Faraway-PRA.pdf imgs/prefix

文件将在目录内创建imgs，名称以 开头prefix，如下所示：

$ ls 
prefix-000.png  prefix-047.png  prefix-094.png  prefix-141.png
prefix-001.png  prefix-048.png  prefix-095.png  prefix-142.png
prefix-002.png  prefix-049.png  prefix-096.png  prefix-143.png
prefix-003.png  prefix-050.png  prefix-097.png  prefix-144.png
(...)

scantailor然后，您可以使用或任何您喜欢的工具执行您认为合适的任何手术。

更直接的答案

如果你只是想对 PDF 文件进行 OCR，你可以使用一个维护良好且已打包的程序，即ocrmypdf。

答案2

该技术也使用了 ImageMagick：

identify -format "%w x %h %x x %y" DAT_1.tif

输出是图像的大小和 dpi：

2480 x 3507 300 x 300

答案3

我使用以下命令：

convert MyPDF.pdf -print "Size: %wx%h\n" /dev/null

并返回：

Size: 380x380

相关内容