pdf - 如何从 shell 脚本中判断扫描的 PDF 的分辨率？

Question

我有大量扫描成 PDF 格式的文档，我希望编写一个 shell 脚本将每个文档转换为 DjVu格式。一些文档以 200dpi 扫描，一些以 300dpi 扫描，一些以 600dpi 扫描。由于 DjVu 是一种基于像素的格式，我想确保我在目标 DjVu 文件中使用的分辨率与用于扫描的分辨率相同。

有谁知道我可以运行什么程序，或者我如何编写程序，以确定用于生成扫描 PDF 的分辨率？ (像素数也可能起作用，因为几乎所有文档都是 8.5 x 11 英寸。)

回复后澄清:我知道布列塔尼强调的困难，我愿意承认这个问题一般是不适定的，但我不是问一般的 PDF 文档。我的特定文件来自扫描仪。它们每页包含一个扫描图像，每页具有相同的分辨率。如果我将 PDF 转换为 PostScript，我可以手动查看并轻松找到像素尺寸；我可能可以通过更多的工作找到图像大小。如果迫切需要我可以修改字典堆栈 gs正在使用；很久以前，我为 PostScript Level 1 写了一个解释器。

所有这些都是我试图避免的。

感谢收到的帮助，我在下面发布了一个答案:

使用 identify 从 PDF 中提取边界框，只取第一页的输出，并理解单位将是 PostScript 点，其中有 72 到一英寸。

使用 pdfimages 从第一页提取图像.

获取图像的高度和宽度。这次identify将给出像素数。

将图像的总面积相加得到点数的平方。

要获得分辨率，以平方英寸计算边界框的面积，将点的平方除以平方英寸，取平方根，然后四舍五入到最接近的 10 的倍数。

脚本的完整答案如下。我在实弹中使用它，效果很好。感谢 Harlequin pdfimages和 Spiffeah 用于每页多张图像的警报(这种情况很少见，但我发现了一些)。

Answer 1

如果 pdf 是通过扫描创建的，那么每个页面应该只有一个图像。您可以通过使用 iText 解析 pdf 来找到每个页面图像的每个图像分辨率。 (Java) 或 iTextSharp (.net 端口)库很容易。

如果您想推出自己的实用程序来执行此操作，请在 iTextSharp 中执行以下操作:

PdfReader reader = new PdfReader(filename);
for (int i = 1; i <= reader.NumberOfPages; i++)
{
PdfDictionary pg = reader.GetPageN(i);
PdfDictionary res = (PdfDictionary)PdfReader.GetPdfObject(pg.Get(PdfName.RESOURCES));
PdfDictionary xobjs = (PdfDictionary)PdfReader.GetPdfObject(res.Get(PdfName.XOBJECT));
if (xobjs != null) 
{
    foreach (PdfName xObjectKey in xobjs.Keys)
    {
    PdfObject xobj = xobjs.Get(xObjectKey);
    PdfDictionary tg = (PdfDictionary)PdfReader.GetPdfObject(xobj);
    PdfName subtype = (PdfName)PdfReader.GetPdfObject(tg.Get(PdfName.SUBTYPE));
    if  (subtype.Equals(PdfName.IMAGE))
    {
        PdfNumber width = (PdfNumber)tg.Get(PdfName.WIDTH);
        PdfNumber height = (PdfNumber)tg.Get(PdfName.HEIGHT);
        MessageBox.Show("image on page [" + i + "] resolution=[" + width +"x" + height + "]");
    }
    }
}
}   
reader.Close();

对于每个页面，我们通读子类型 Image 的每个 XObject 并获取 WIDTH 和 HEIGHT 值。这将是扫描仪嵌入 pdf 的图像的像素分辨率。

请注意，此图像的缩放以匹配页面分辨率(如 Acrobat 中呈现的页面大小 - A4、Letter 等)在页面内容流中单独执行，它表示为 postscript 的子集，以及许多不解析后记就很难找到。

请注意，有些扫描仪会将扫描图像嵌入为较小图像的网格(我假设是为了某种尺寸优化)。因此，如果您看到每个页面弹出 50 个小图像，这可能就是原因。

如果您必须推出自己的实用程序，希望这在某种程度上有所帮助。