python - 如何在 Python 中检查 PDF 页面是否着色？

Question

我的 PDF 包含 N 页。如何计算彩色和非彩色(黑白)页面。

示例:如果我将 100 页 PDF 文件作为输入，它应该说 X 页数是彩色的，y 页数是非彩色的。

Answer 1

您可以将 PDF 转换为图像(例如使用 pdf2image)，然后分析不同的 channel 。例如，如果页面仅包含黑色和白色，则使用 HSV 时，H 和 S channel 应为 0 或接近 0。

import pdf2image
import numpy as np

images = convert_from_path('example.pdf')
sw=0
color=0
for image in images:
    img = np.array(image.convert('HSV'))
    hsv_sum = img.sum(0).sum(0)
    if hsv_sum[0] == 0 and hsv_sum[1] == 0:
        sw += 1
    else:
        color += 1

给我一​​个 sw=1 和 color=1 的示例 pdf，其中一个站点为黑色文本，一侧为红色文本，每个文本都在白色背景上。

如果背景不是全白而文本不是全黑(例如扫描的 PDF)，您可能需要搜索小于一部分像素的 hsv_sum[0:1]。