Zašto se slike izvađene iz PDF-a razlikuju od onih koje se vide na stranici?
Slike s prozirnošću mogu se pohraniti odvojeno kao glavna slika i meka maska. Zatim upotrijebite Pillow za izradu RGBA PNG-a, umetnite PDF u memoriji i provjerite glavnu sliku i SMask. Izdvajanje bajtova glavne slike nije jednako dobivanju potpunog efekta prozirnosti, niti je jednako rekonstruiranju svih instanci prikaza na stranici.
Slike koje izdvojite iz PDF-ova često izgledaju drugačije od onoga što vidite na stranici: ili su potpuno crne, pogrešne veličine ili im nedostaje pozadina ili vodeni žig. Problem obično nije u samom kodu, već u činjenici da čitate izvorni slikovni objekt unutar PDF-a i propuštate upute za kompoziciju prilikom renderiranja stranice.
Ovaj je članak napisan za programere i obrađivače dokumenata koji trebaju koristiti skripte za analizu PDF slika. Pogodan je za scenarije kao što je pretprocesiranje OCR-a i reorganizacija sadržaja. Nakon čitanja možete razumjeti razliku između izvornog objekta i prikaza stranice, znati zašto SMask (meka maska) uzrokuje gubitak prozirnih područja i ovladati skupom metoda samotestiranja pomoću sintetičkih uzoraka.
Ovaj članak koristi sintetičke uzorke za demonstraciju metode obrade. Kôd je provjeren s primjerima u izoliranom okruženju i nije jamstvo svih stvarnih datoteka ili performansi proizvoda. Prije obrade važnih dokumenata, molimo vas da sačuvate izvornike i pregledate ih prema granicama i stavkama prihvaćanja u tekstu.
Rezultati ekstrakcije PDF slike nisu u skladu sa stranicom? Zaključak jedne rečenice
Bajtovi izdvojene glavne slike nisu jednaki cjelokupnom učinku na stranici. SMask se mora obraditi u isto vrijeme, a stvarni rezultat renderiranja čitača koristi se kao mjerilo prihvaćanja.
| vaša situacija | Preporučene prakse | razlog |
|---|---|---|
| Rezultat ekstrakcije je jednobojni pravokutnik, a prozirno područje postaje crno ili bijelo | Provjerite je li smask_xref 0 i spojite SMask kao Alpha kanal u glavnu sliku | Slike s prozirnošću mogu se pohraniti odvojeno kao glavna slika i meka maska. Izdvajanjem samo glavne slike izgubit ćete informacije o transparentnosti. |
| Izdvojena je cijela velika slika, a samo dio je prikazan na stranici. | Očitajte CTM matricu i /BBox, obrežite prema području prikaza | Ista osnovna karta može se ponovno koristiti na više stranica, a svaka stranica prikazuje samo svoje djelomično područje. |
| Orijentacija slike je obrnuta ili deformirana | Očitajte parametre matrice za geometrijsku korekciju i ručno provjerite tekst i lica | Transformacijska matrica može sadržavati negativne skalirane ili neuniformne transformacije |
| Izdvajanje je uspješno, ali se stranica ne može vidjeti | Upitajte status OCG-a i usporedite s CropBoxom | Slika može biti skrivena izbornom grupom sadržaja ili izvan područja obrezivanja |
| Slika je mutna ili niske rezolucije | Zabilježite DPI metapodatke i označite ih kao niske kvalitete, ponovno skenirajte izvorne datoteke ako je potrebno | Izvorna ugrađena slika sama po sebi može biti minijatura niske rezolucije |
Razlika između originalnih objekata i cjevovoda renderiranja
PDF datoteke strukturirane su poput skladišta resursa. `Document.extract_image(xref)` Ono što ova metoda čini je vađenje dijelova iz skladišta kakvi jesu. Prikaz na stranici također treba proći kroz višestruke procese: skaliranje transformacijske matrice (CTM), rezanje putanje isječka (Clip Path), miješanje grupe prozirnosti (Transparency Group) i prekrivanje meke maske (Soft Mask).
Najtipičnija razlika dolazi od SMaska. Mnogi PNG-ovi s kanalom prozirnosti podijeljeni su u dva dijela unutar PDF-a: tok RGB slike i odvojeni tok sive maske. Ako izdvojite samo glavnu sliku i odbacite pridruženi SMask objekt, dobit ćete pravokutnik bez prozirnosti, a izvorno prozirno područje postat će crno ili bijelo.
Osim toga, kako bi se uštedio volumen, ista osnovna karta visoke rezolucije može se ponovno koristiti na više stranica, a svaka stranica prikazuje samo dio toga kroz različite /BBox i matrice. Izravna ekstrakcija rezultirat će kompletnom velikom slikom, a ne izrezanim fragmentima koje korisnik vidi. Ovo "ono što vidite nije ono što dobivate" je inherentna karakteristika PDF-a kao formata za razmjenu i nije nedostatak biblioteke za analizu.
Tablica u nastavku uspoređuje dvije perspektive:
📊 Osnovna usporedba
| Kontrastne dimenzije | Ekstrahirajte izvorni objekt izravno | Rezultati renderiranja stranice |
|---|---|---|
| Dobijte sadržaj | Izvorni dijelovi u skladištu resursa, kao što je glavni tok slike | Vizualni efekti nakon obrade uputama sinteze |
| prozirnost | Glavna slika i SMask mogu se pohraniti odvojeno i potrebno ih je ručno povezati. | Meke maske se preklapaju, a prozirna područja prikazuju se normalno. |
| Veličina i opseg | Može biti osnovna karta u punoj veličini | Ograničeno CTM-om, /BBox i stazama odsijecanja |
| Situacija ponovne upotrebe | Istu osnovnu kartu može dijeliti više stranica | Svaka stranica predstavlja samo svoj dio |
Sintetičko testno okruženje i rukovanje graničnim slučajevima
Kako bi se provjerila logika izdvajanja bez oslanjanja na vanjske datoteke, potrebno je izraditi sintetički PDF koji sadrži SMask. Sljedeći kod koristi PyMuPDF za stvaranje testnog dokumenta u memoriji, u kojem objekt slike ima neovisnu meku masku, simulirajući situaciju u stvarnoj sceni gdje "ikona ima prozirnu pozadinu, ali je temeljni sloj pohranjen u zasebnom toku".
from io import BytesIO
from PIL import Image
import pymupdf
im = Image.new("RGBA", (16, 16), (255, 0, 0, 128))
raw = BytesIO()
im.save(raw, format="PNG")
with pymupdf.open() as doc:
page = doc.new_page(width=100, height=100)
page.insert_image(pymupdf.Rect(10, 10, 70, 70), stream=raw.getvalue())
images = page.get_images(full=True)
assert len(images) == 1
xref, smask = images[0][:2]
assert xref > 0 and smask > 0
assert doc.extract_image(xref)["width"] == 16
assert doc.extract_image(smask)["image"]
Očekivanje ispravnog izlaza: Program bi trebao moći prepoznati da je slika povezana sa SMaskom i uspješno izdvojiti glavne podatke slike.
Kod je potpuno samostalan i ne zahtijeva nikakve vanjske ulazne datoteke. Sintetizira PDF sa SMaskom u memoriji i zatim provjerava prepoznaje li logika ekstrakcije ispravno povezanost maske. Kod sadrži dvije ključne tvrdnje: jednu koja provjerava integritet ekstrahiranih podataka i drugu koja provjerava svijest o stanju pridruženom SMasku.
Ovaj kod se fokusira na provjeru integriteta na razini metapodataka. U stvarnoj proizvodnji, ako se koristi smask_xref != 0, potrebno je koristiti biblioteke kao što je Pillow za lijepljenje doc.extract_image(smask_xref) rezultata na glavnu sliku kao alfa kanal. Dvije tvrdnje pokrivaju dva temeljna ugovora "podaci se mogu ekstrahirati" i "vidljiva je povezanost maske", što može spriječiti lažne uspjehe kada se prazni dokumenti ili API promjene.
Prihvaćanje rezultata ekstrakcije i granice ručnog pregleda
Automatsko vađenje ne može u potpunosti zamijeniti vizualnu potvrdu. Sljedeća tablica sažima uobičajene anomalije, strategije rukovanja i situacije koje moraju biti prepuštene ljudskoj prosudbi.
| Promatrajte pojave | Mogući razlozi | Automatizirana obrada odluka | Uvjeti pokretanja ručnog pregleda |
|---|---|---|---|
| Slika je potpuno crna ili potpuno bijela | SMask je ekstrahiran kao samostalna slika; dekodiranje prostora boja nije uspjelo | Provjerite asocijaciju SMask; isprobajte rezervni prostor boja | Sadržaj se i dalje ne može prepoznati nakon vraćanja; uključene su spot boje ili boje povezane s uređajem |
| Orijentacija slike obrnuta ili rastegnuta | CTM matrica sadrži negativno skaliranje ili neuniformnu transformaciju | Očitajte parametre matrice za geometrijsku korekciju | Tekst ili lica očito su deformirani nakon korekcije; složeni vektorski isječak |
| Više malih slika spojenih u jednu veliku sliku | Uzorak popločavanja ili prugasta pohrana | Izrežite ili spojite prema BBox koordinatama | Raspon za spajanje je očit; logično bi trebala biti samostalna semantička jedinica |
| Izdvajanje je uspješno, ali stranica nije vidljiva | Hidden by OCG (neobavezna grupa sadržaja); izvan područja usjeva | Filtar statusa upita OCG; usporedite CropBox | Složena logika slojeva, kao što je ugniježđeni OCMD; dinamička polja obrasca |
| Vrlo niska rezolucija ili mutna slika | Izvorno ugrađivanje je minijatura niske razlučivosti | Zabilježite DPI metapodatke, označite kao niske kvalitete | Ključna grafika ili tekst su nečitljivi zbog zamućenja; potrebno je ponovno skenirati izvorni dokument. |
Treba napomenuti da "demonstracija koda" samo provjerava povezanost API poziva i protoka podataka, a ne znači da je učinak od kraja do kraja na standardu. Kada naiđete na OCG ugniježđenu logiku, prilagođene shadere ili šifrirane dokumente, izlaz skripte služi samo kao referenca i mora se prihvatiti u odnosu na stvarno iscrtavanje PDF čitača.
🎯 Koja je metoda prikladna za vas?
Ako trebate sačuvati učinak prozirnosti
Prvo provjerite postoji li SMask, spojite ga u Alpha kanal, a zatim izvršite naknadnu obradu.
Ako trebate samo djelomičnu sliku na stranici
Pročitajte CTM i /BBox i obrežite prema području prikaza umjesto izravnog spremanja osnovne slike.
Ako je vaša slika skenirana ili ugrađena u nisku razlučivost
Najprije snimite DPI metapodatke i označite kvalitetu. Ako ključni sadržaj nije jasan, vratite se na izvornu datoteku i ponovno skenirajte.
Ako dokument sadrži slojeve, enkripciju ili složeno obrezivanje
Tretirajte izlaz skripte kao preliminarni rezultat, a konačni učinak renderiranja u PDF čitaču će prevladati.
❓ Često postavljana pitanja (FAQ)
1. Zašto prozirno područje izdvojene slike postaje crno?
Uobičajeni razlog je taj što se informacije o prozirnosti pohranjuju u SMask, a izdvaja se samo glavna slika bez uključivanja maske.
2. Izdvojena slika je puno veća od onoga što vidite na stranici. Što se događa?
Ista osnovna karta može se ponovno koristiti na više stranica. Svaka stranica prikazuje samo dio kroz /BBox i matricu. Izravna ekstrakcija rezultirat će potpunom osnovnom kartom.
3. Kod prolazi. Znači li to da se izdvojeni rezultati mogu izravno koristiti?
ne može. Demonstracija koda samo provjerava povezanost API poziva i protoka podataka, a stvarni rezultati prikazivanja čitača moraju se koristiti za konačno prihvaćanje.
4. Izdvajanje je uspješno, ali slika se ne vidi na stranici. Što može biti razlog?
Slika može biti skrivena izbornom grupom sadržaja (OCG) ili izvan područja izrezivanja. OCG status se može ispitati i usporediti s CropBoxom.
📝 Sažetak
Objekt izvorne slike u PDF-u i efekt prikaza stranice dvije su razine stvari, a odnos između njih mora se razjasniti prije ekstrakcije. Zajedno obradite SMask, matricu i informacije o izrezivanju i koristite rezultate renderiranja za prihvaćanje, tako da rezultati budu pouzdani.
Isprobajte sada: prenesite dokument za početak prijevoda, zadržavajući izvorni izgled


