使用命令行替换 PDF 中的图像

Question 1

好吧……我认为pdflatex这是这里缺失的部分。

OP 表示他已经调查了poppler-utils和pdftk。让我补充一下pdfimages。这些pdflatex都是解决方案的组成部分。

pdfimages -f 4 -l 20 -j -png target.pdf imageroot

在上面的示例代码中，pdfimages 浏览第 4 页到第 20 页target.pdf，并将所有图像提取到名称以开头的文件中imageroot。

poppler-utils提供pdftotext.我推荐这个-layout选项，它可以很好地保持文档的可读性。

pdftotext -layout $1.pdf $1.txt

OP 反对imagemagick提供的解决方案盾龙是图像没有可提取的文本。使用我概述的实用程序，OP 现在将拥有所有图像以及所有提取的文本，并且该-layout选项保留页码和内容。 OP 可以识别正确的文本页面并将其放入一个.tex以指令结尾的文件中%includegraphics，并通过文件名引用替换图片。然后，您pdflatex将得到一个新的单页 .pdf，并使用 .pdf 插入文档的其余部分pdftk。如果您知道图像在原始页面文本中的位置，%includegraphics [h]则可以将图像放置在正确的位置。

Answer

好吧……我认为pdflatex这是这里缺失的部分。

OP 表示他已经调查了poppler-utils和pdftk。让我补充一下pdfimages。这些pdflatex都是解决方案的组成部分。

pdfimages -f 4 -l 20 -j -png target.pdf imageroot

在上面的示例代码中，pdfimages 浏览第 4 页到第 20 页target.pdf，并将所有图像提取到名称以开头的文件中imageroot。

poppler-utils提供pdftotext.我推荐这个-layout选项，它可以很好地保持文档的可读性。

pdftotext -layout $1.pdf $1.txt

OP 反对imagemagick提供的解决方案盾龙是图像没有可提取的文本。使用我概述的实用程序，OP 现在将拥有所有图像以及所有提取的文本，并且该-layout选项保留页码和内容。 OP 可以识别正确的文本页面并将其放入一个.tex以指令结尾的文件中%includegraphics，并通过文件名引用替换图片。然后，您pdflatex将得到一个新的单页 .pdf，并使用 .pdf 插入文档的其余部分pdftk。如果您知道图像在原始页面文本中的位置，%includegraphics [h]则可以将图像放置在正确的位置。

Question 2

如果一个简单的 python 脚本足以满足您的需求，那么解决方案很简单pdfrw 库。

一个简单的工作示例：

#!/bin/python

import pdfrw

# Read the example pdf file originating from:
# https://getsamplefiles.com/download/pdf/sample-3.pdf
reader = pdfrw.PdfReader('sample-3.pdf')

# Opening the new image file originating from:
# https://www.picserver.org/assets/library/2020-10-31/originals/example1.jpg
with open('example1.jpg', 'rb') as f:
    # Overwriting the desired image in the original pdf structure.
    reader.Root.Pages.Kids[0].Resources.XObject['/X9'].stream = f.read().decode('latin')

# Write the modified pdf file out.
pdfrw.PdfWriter('sample-3_out.pdf', trailer=reader).write()

使用的示例文件来自这里（pdf），和这里（.jpg）。

在 pdf 结构中找到正确的图像元素可能有点棘手，但有一个非常有用的工具可以检查 pdf 结构，称为pdf分析仪。

将 pdfalyze 与 -t 标志一起使用以获取树视图，或使用 -r 标志以获取丰富的树视图，如下所示：

pdfalyze --maximize-width -r sample-3.pdf | less -R

据我所知，/Filter /DCTDecodepdf 结构中的表示 jpg 图像数据，/Filter /FlateDecode表示 gzip 压缩数据。一个流数据可以有多个过滤器，并且过滤器的数量比这两个还要多。

有关 pdf 结构的更多信息。

Answer