如何以编程方式确定 PDF 文件中图像的 DPI？

Question

我有一些 PDF 文件，我想使用它们拆分成 TIFF 文件convert（以便通过 进行 OCR tesseract）。到目前为止，这工作得很好 - 除了为了自动化整个过程，我需要设置convert输出的 DPI 。现在，我正在使用这样的命令：

convert -density 300 myFile.pdf -depth 8 -background white output-%04d.tiff

...以 300 DPI 输出 PDF 文件。但是，某些 PDF 文件的DPI较低（例如 150 DPI），这意味着我不想通过 300 DPI 输出它们convert- 这会创建过大的 TIFF 文件而没有任何附加信息。

我知道有一些方法可以通过打开 Adob​​e Acrobat 并在“预检”工具中乱搞来检查 PDF 文件中图像的 DPI。但是，有没有办法通过命令行确定特定 PDF 文件的 DPI？

Answer 1

主要回答

由于我对相同类型的工作感兴趣（虽然不一定要对 PDF 文件进行 OCR，但要将它们转换为DjVu，然后对它们进行OCR），我发现这个问题和缺乏响应（因为我需要猜测 DPI具有像素数的图像，然后使用大小作为输出pdfinfo或其他技巧——更不用说 PDF 中的图像可能具有不同的密度等）。

经过大量研究，我发现您可以使用pdfimages（来自包poppler-utils）如下所示：

$ pdfimages -list deptest.pdf
page   num  type   width height color comp bpc  enc interp  object ID x-ppi y-ppi size ratio
--------------------------------------------------------------------------------------------
   1     0 image     100   100  gray    1   1  image  no         9  0    53    53  169B  14%
   2     1 image     100   100  gray    1   1  ccitt  no   [inline]      53    53  698B  56%

请注意上面列表中的x-ppi和y-ppi。它还列出了图像在 PDF 中存储的格式，这很酷（有时是 JBIG2，有时是 JPEG2000 等）

注意：deptest.pdf上面使用的文件可从pdfsizeopt的存储库中获得。

真正的行动

之后，您可以简单地提取图像pdfimages本身或使用pdftoppm（也来自poppler-utils）以您可能喜欢的多种格式呈现整个页面（例如，tiff，用于扫描tesseract）。

您可以使用以下内容（假设您已经创建了一个名为imgs放置图像的目录）：

pdfimages -png Faraway-PRA.pdf imgs/prefix

这些文件将在imgs名称以 开头的目录中创建prefix，如下所示：

$ ls 
prefix-000.png  prefix-047.png  prefix-094.png  prefix-141.png
prefix-001.png  prefix-048.png  prefix-095.png  prefix-142.png
prefix-002.png  prefix-049.png  prefix-096.png  prefix-143.png
prefix-003.png  prefix-050.png  prefix-097.png  prefix-144.png
(...)

然后，您可以使用scantailor您喜欢的工具或任何您喜欢的工具执行您认为合适的任何手术。

更直接的回答

如果您只想对 PDF 文件进行 OCR，您可以使用维护良好且已打包的程序，即ocrmypdf。

Answer 2

我需要这些信息，只是在这里找到了：

http://www.wizards-toolkit.org/discourse-server/viewtopic.php?t=16110

此技术还使用 ImageMagick：

identify -format "%w x %h %x x %y" DAT_1.tif

输出是图像的大小和 dpi：

2480 x 3507 300 x 300

Answer 3

我使用以下命令：

convert MyPDF.pdf -print "Size: %wx%h\n" /dev/null

它返回：

Size: 380x380