python - 获取包含图像的 PDF 页面

Question

我正在寻找一种编程解决方案来查找所有包含至少一张图像的页面(例如其页码)。我不需要图像本身，我只需要页码。首选 shell 脚本解决方案或 python 解决方案，但有助于完成此任务的所有内容都可以。

背景:我正在对 PDF 进行 OCR 处理，我需要知道在哪些页面上运行 OCR 有意义。

Answer 1

一种解决方案是使用 pdfimages，这是来自 poppler-utils 包的实用程序。它可以输出pdf中存储的图像的一些信息:

$ pdfimages -list file.pdf
page   num  type   width height color comp bpc  enc interp  object ID
---------------------------------------------------------------------
   1     0 image     200   197  rgb     3   8  jpeg   no         7  0

页码是逐一的(从1开始计数)，identify(来自ImageMagik包)可以显示所有页码:

$ identify -format '%p ' file
0 1 2 3

从这两个命令可以看出，第 2、3、4 页不包含图像，而第 1 页包含图像。