为什么如果我用魔杖从pdf中提取图像jpg，它会使我在文本上变成黑色背景

Question

我对一些 pdf 文件有疑问。我需要将它们转换为 jpg 图像，使它们可用于 OCR，但是当我转换其中一些时，Wand 将我转换为 jpg，其中文本上有黑色背景。我看到这是关于空间颜色的常见问题。它似乎发生在文件 word 转换为 pdf 文件的情况下，其中空间颜色变为 CMYK。Tesseract OCR 只接受空间颜色 RGB。我已经编写了一个可以转换的 python 脚本，但我想解决这个问题。你可以帮帮我吗？谢谢。 原始页面 pd将 pdf 转换为 jpg

Answer 1

解决方案是在调用 save 之前设置这些：

page = wi(image=img)

page.background_color = Color('white')

page.alpha_channel = 'remove'

page.save(...)

Answer 2

这是我的代码：

def convert_pdf(pdf_file):

    # Get name file

    title = os.path.splitext(os.path.basename(pdf_file))[0]

    basename = os.path.basename(pdf_file)

    pdf = wi(filename=pdf_file, resolution=100)

    pdfImage = pdf.convert("jpg")

    outputPath = PATH_IMAGES+"/" + basename

    if not os.path.exists(outputPath):

        os.mkdir(outputPath)

    i=1

    for img in pdfImage.sequence:

        page = wi(image=img)

        page.save(filename=outputPath+"/"+title+"(*page="+str(i)+"*)"+".jpg")

        imagePathConverted = outputPath+"/"+title+"(*page="+str(i)+"*)"+".jpg"

        '''image = Image.open(imagePathConverted)

        if image.mode != 'RGB':

            rgb_image = image.convert('RGB')

            rgb_image.save(imagePathConverted)'''

        i += 1

    return outputPath