Pdf 为什么从扫描的文档中可以提取文本，但不能提取图像

我以前也问过类似的问题。我想问另一个相关的问题，所以我重新措辞了原来的问题

我使用的是

PDFBox

从pdf中提取图像和文本，可在和中找到。我有以下用于提取文本的代码：

 PDFTextStripper p = new PDFTextStripper();
 String thistext=p.getText(document);

正确地提取了文本。但是，当我尝试使用

ExtractImages

类从同一个pdf中提取图像时，生成的图像是pdf的所有页面，而不是实际的图像（应该是1）

在我看来，pdf可能是一个扫描文件。答案是

扫描的事实是你的问题

。我再次尝试使用

pdftotext

和

pdfimages

。文本被提取，但

pdfimages

输出5个图像文件，它们都是pdf的页面（与

PDFBox

相同）

据我所知，光栅图像作为XObject存储在pdf中。当我用文本编辑器打开pdf时，我看到以下行的5个外观：

<< /Type /XObject /Subtype /Image /Name /X /Width 2600 /Height 3799

---

查看您的PDF文件后，您的问题评论中的第一个猜测已得到确认

您的示例文档经过扫描，基本上每页由一个位图图像组成。当您放大文档时，您可以很快看到所有内容看起来都相当像像素

所有图像的分辨率均为2600x3799，为黑白图像

此外，这些图像已进行OCR，生成的文本已无形地添加到页面中，允许选择、复制和粘贴

例如，查看第885页顶部：


其内容流如下所示：

1 0 0 1 -0.5998 -0.4801 cm
1 1 1 rg
1 i 
/RelativeColorimetric ri
/GS0 gs
0 0 469.2 684.7 re
f
q
467.9972 0 0 683.8015 0.6014 0.4492 cm
/Im0 Do
Q

此处插入页面图像/Im0

1 0 0 1 0.5998 0.4801 cm
0 0 0 rg
BT
/TT0 1 Tf
3 Tr 9.8 0 0 10.4 35.8002 640.4199 Tm

在此准备添加文本；特别是看看
3 Tr
：此阴影将文本呈现模式设置为
3
，该模式既不是填充文本，也不是笔划文本（不可见）。（第9.3.6节中的文本呈现模式）

在这里您可以看到添加的文本，以“A”和“%gust”开头。这实际上表明，OCR的结果似乎没有得到适当的检查，因为这应该是“八月”。低质量的文本信息继续：

A %gust , 1978 SHORT PAPERS 885
where
and also
Similarly for B. Also,
T, = AY-l T
as a result of the adiabatic cooling of the vapour.
Stage 2:
Here a volume of vapour and a volume of liquid I are removed and replaced with an
equal volume of air containing concentrations Y and s of A and B, respectively. Of course,
r or s may either or both be negligibly small, with subsequent simplification.

正如您所看到的，许多特殊字符和公式尚未被正确识别。
不幸的是，您的PDF参考文件确实需要某种登录。@mki，谢谢您查看。我在skydrive中发布了pdf，并向所有人开放。您还有其他推荐的文件托管服务吗？我可以用。嗯，我刚从手机上测试过，我可以下载。我只是忽略了下载，而没有登录到我的常规浏览器？好吧，我明天会调查的。好的，我添加了一个scribd链接。请查看是否可以下载。技术文档将是定义PDF的ISO标准，即ISO 32000-1:2008，“不久”将更新为ISO 32000-2。。。当你阅读它时，你会发现没有什么能阻止你先画文本，然后在上面放一个图像，甚至先在上面放一个图像，然后再在上面画一个看不见的文本。谢谢你的详细回答。我有点怀疑，但我不知道
3tr
命令。我现在可以引用这一点。
A %gust , 1978 SHORT PAPERS 885
where
and also
Similarly for B. Also,
T, = AY-l T
as a result of the adiabatic cooling of the vapour.
Stage 2:
Here a volume of vapour and a volume of liquid I are removed and replaced with an
equal volume of air containing concentrations Y and s of A and B, respectively. Of course,
r or s may either or both be negligibly small, with subsequent simplification.