从PDF中提取图像，如何处理JBIG2编码

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

我需要提取所有图像包含在 PDF 中，然后分别检查每个图像。

我能够提取大部分图像在 SO 中找到一个 python 脚本，请参阅问题：

在Python中从PDF中提取图像而不重新采样？

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

好吧，我已经为此苦苦挣扎了好几个星期，SO 的许多答案帮助我度过了难关，但总是缺少一些东西，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，jbig2 编码的图像非常流行。

据我了解，有许多复印/扫描机可以扫描纸张并将其转换为包含 jbig2 编码图像的 PDF 文件。

因此，经过多天的测试，决定采用建议的答案heredkgedal 很久以前写的。

这是我的一步步在 Linux 上：（如果你有另一个操作系统，我建议使用 Linux docker，这会容易得多。）

第一步：

apt-get 安装poppler 工具然后我可以运行名为 pdfimages 的命令行工具，如下所示：

pdfimages -all myfile.pdf ./images_found/

通过上面的命令你就可以解压了所有图像包含在 myfile.pdf 中，您将把它们保存在 images_found 中（您必须之前创建 images_found）

在列表中，您可以找到多种类型的图像（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读取。

然后您将得到一些名为 -145.jb2e 和 -145.jb2g 的文件。

这 2 个文件包含一张用 jbig2 编码的图像，即保存在2个不同的文件中一个用于标题，一个用于数据

我又花了很多天的时间试图找出如何将这些文件转换为可读的文件，最后我遇到了这个名为jbig2dec

所以首先你需要安装这个神奇的工具：

apt-get 安装 jbig2dec

然后你可以运行：

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！