使用python查找和识别PDF中的流

我已经尝试了大约一周从pdf自动提取图像。不幸的是，我在这里找到的答案毫无帮助。我在使用pypdf2的同一代码上看到了多个变体，它们都带有

['/XObject']

，这会导致

键错误

我所寻找的似乎隐藏在流中，这在

pypdf2

的字典中找不到（即使递归地探索整个结构，对我能找到的每个间接对象调用

.getObject（）

）

使用

pypdf2

我已经从pdf中写下了一页，并使用

Notepad++

打开它，以使用

/FlateDecode

过滤器查找一些流

pdfrw

稍有帮助，允许我使用

PdfReader（path）.pages[page].Contents.stream

获取流（不知道如何获取其他流）

使用

zlib

，我对它进行了解压缩，得到了以下内容：

/Part <</MCID 0 >>BDC

/Part BDC

（它还包含许多浮点数字，包括正数和负数）

据我所知，

BDC

与ghostscript有关

这时我放弃了，决定寻求帮助

是否有python工具至少可以提取所有流（并识别

flateCode

tag？）

有没有办法让我找出藏在里面的东西？我期望某些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

我正在寻找的东西，我可以适用于任何PDF格式的正确显示。一些工具可以进一步解析，或者至少可以帮助我理解流，或者甚至可以帮助我理解正在发生的事情

---

编辑：正如帕特里克所说，似乎我找错了方向。因为在

Notepad++

中打开PDF时，或者在运行用于解析PDF的各种python脚本时，我找不到任何

xObject

，所以我转到了streams。我设法找到了我怀疑的图像，没有

xObject

标记，但是有一个看起来像流标记的东西——尽管信息没有被压缩。

除非您想提取内联图像，而内联图像并不常见，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，即子类型图像，通常可以在页面的Resource->XObject字典中找到（请参阅PDF参考文件的第7.3.3节、第7.8.3节和第8.95节，以@mkl表示）

或者，图像XObject也可以在自己的Resource->XObject字典中的XObject（子类型表单，表示它们有自己的内容流）表单中找到，因此可以递归搜索图像XObject

---

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（但它们也不太常见），或用于注释的正常外观（但图像XObject在此类注释中不太常用，除了3D或多媒体注释）。

有很多工具生成PDF文件（其中许多近乎缺陷），如果没有看到给你带来麻烦的特定文档的样本，就很难给出建议。你可以分享一些样本吗？@PauloScardine抱歉，我意识到我的措辞意味着我在寻找关于特定PDF的帮助。PDF文档正确地显示在阅读器中，我可以毫无问题地从中提取一页。只是不能为流的内容找到任何引用（或者任何可以为我轻松做到的python工具。那也很好）。无论如何，正在寻找能够在任何正确显示的PDF文档上工作的内容。您得到了一些以：

/Part BDC

开头的内容，但此时放弃了？为什么？您成功地到达了PDF内容流。您只需使用PDF规范ISO 32000-1来解释流内容。@mkl因为我的搜索es没有提到ISO 320000-1。我会查一下。谢谢！作为提示：自2008年以来，Adobe一直在提供免费下载的版本