resueltos - ¿Cómo puedo saber la resolución del PDF escaneado desde un script de shell?

scripts bash ejemplos

Question

Tengo una gran colección de documentos escaneados en formato PDF y deseo escribir un guión de shell que convierta cada documento al formato DjVu . Algunos documentos se escanearon a 200 ppp, algunos a 300 ppp y otros a 600 ppp. Como DjVu es un formato basado en píxeles, quiero asegurarme de usar la misma resolución en el archivo DjVu de destino que se utilizó para el escaneo.

¿Alguien sabe qué programa puedo ejecutar, o cómo puedo escribir un programa, para determinar qué resolución se utilizó para producir un PDF escaneado? (El número de píxeles también podría funcionar, ya que casi todos los documentos son de 8,5 por 11 pulgadas).

Aclaración después de las respuestas: soy consciente de las dificultades destacadas por Breton, y estoy dispuesto a admitir que el problema en general está mal planteado, pero no estoy preguntando sobre documentos PDF generales . Mis documentos particulares salieron de un escáner. Contienen una imagen escaneada por página, la misma resolución en cada página. Si convierto el PDF a PostScript, puedo hojearlo a mano y encontrar las dimensiones de los píxeles fácilmente; Probablemente podría encontrar tamaños de imagen con más trabajo. Y si tuviera una necesidad desesperada, podría modificar la pila de diccionarios que usa gs ; Hace mucho tiempo, escribí un intérprete para PostScript Nivel 1.

Todo eso es lo que trato de evitar.

Gracias a la ayuda recibida, he publicado una respuesta a continuación:

1. Extraiga el recuadro delimitador del PDF utilizando la identify , tomando solo el resultado de la primera página, y entendiendo que las unidades serán puntos PostScript, de los cuales hay 72 a una pulgada.
2. Extrae imágenes de la primera página usando pdfimages .
3. Obtenga altura y ancho de imagen. Esta vez identify dará el número de píxeles.
4. Agregue las áreas totales de las imágenes para obtener el número de puntos al cuadrado.
5. Para obtener una resolución, calcule las áreas del cuadro delimitador en pulgadas al cuadrado, divida los puntos al cuadrado por pulgadas al cuadrado, tome la raíz cuadrada y redondee al múltiplo más cercano de 10.

La respuesta completa con script está debajo. Lo estoy usando en fuego real y funciona genial. Gracias Harlequin por pdfimages y Spiffeah por la alerta sobre múltiples imágenes por página (es raro, pero he encontrado algunos).

Answer 1

Demasiado tiempo para poner en un comentario, pero ni ImageMagick ni GraphicsMagic están listos para el trabajo; cada respuesta es incorrecta :

: nr@yorkie 1932 ; gm identify -format "x=%x y=%y w=%w h=%h" drh*rec*pdf
x=0 y=0 w=612 h=792
x=0 y=0 w=612 h=792
x=0 y=0 w=612 h=792
x=0 y=0 w=612 h=792
x=0 y=0 w=612 h=792
x=0 y=0 w=612 h=792
x=0 y=0 w=612 h=792
x=0 y=0 w=612 h=792

: nr@yorkie 1933 ; identify -format "x=%x y=%y w=%w h=%h" drh*rec*pdf   
x=72 Undefined y=72 Undefined w=612 h=792x=72 Undefined y=72 Undefined     w=612 h=792x=72 Undefined y=72 Undefined w=612 h=792x=72 Undefined     y=72 Undefined w=612 h=792x=72 Undefined y=72 Undefined w=612     h=792x=72 Undefined y=72 Undefined w=612 h=792x=72 Undefined y=72     Undefined w=612 h=792x=72 Undefined y=72 Undefined w=612 h=792
: nr@yorkie 1934 ; 

Los parámetros correctos para este documento es que cada página escaneada tiene 5100 píxeles de ancho y 6600 píxeles de alto, lo cual no es sorprendente ya que se trata de un escaneo 8.5-por-11 a 600 ppp. El resultado de ImageMagic es asombrosamente poco profesional.

No downvotes porque intentabas ser útil, pero *Magick no funciona.

Answer 2

Si se ha creado un pdf escaneando, solo debería haber una imagen asociada a cada página. Puede encontrar cada resolución de imagen para cada imagen de página analizando el pdf utilizando las bibliotecas iText (Java) o iTextSharp (el puerto .net) fácilmente.

Si desea transferir su propia utilidad para hacer esto, haga algo como lo siguiente en iTextSharp:

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();

Aquí para cada página leemos cada XObjeto de subtipo Image y obtenemos los valores WIDTH y HEIGHT. Esta será la resolución de píxel de la imagen que el escáner ha incrustado en el pdf.

Tenga en cuenta que la escala de esta imagen para que coincida con la resolución de la página (como en el tamaño de la página procesada en Acrobat - A4, Carta, etc.) se realiza por separado en la secuencia de contenido de la página, que se representa como un subconjunto de postscript, y mucho más difícil de encontrar sin analizar la posdata.

Tenga en cuenta que hay algunos escáneres que incrustarán la imagen escaneada como una cuadrícula de imágenes más pequeñas (para algún tipo de optimización de tamaño, supongo). Entonces, si ves algo así como 50 imágenes pequeñas apareciendo para cada página, esa podría ser la razón.

Espero que esto ayude de alguna manera si tienes que usar tu propia utilidad.

Answer 3

Supongo que los escaneos se incluyen como imágenes en el PDF, por lo que podría usar pdfimages para extraerlos primero. Luego, identify debería ser capaz de encontrar los datos correctos.

Answer 4

PDF es un formato independiente de resolución, es una pregunta sin sentido. Es posible que haya escaneado algunos mapas de bits a una resolución particular, y esos mapas de bits se incrustan individualmente dentro del pdf, pero el PDF en sí mismo puede contener imágenes en múltiples resoluciones, así como también gráficos vectoriales independientes de resolución. No hay forma de saber sin abrir el pdf y examinar cada objeto dentro de él.

Edición para continuar exponiendo el problema:

Puede haber tenido suerte, y el software que usó para escanear los documentos incrustó algunos metadatos sobre esto, pero no apueste. Es poco probable que estos metadatos sean estándar. En cuanto a analizar el pdf, querrá una biblioteca preescrita, como ghostscript. El problema es que PDF no es realmente un formato sino un subconjunto específico del lenguaje de programación PostScript, y una forma acordada de comprimir / compilar este subconjunto junto con algunos binarios. Por lo tanto, leer un PDF es más complicado que otros tipos de formatos de imagen, ya que implica escribir un intérprete de idiomas, no tan sencillo.

El mejor enfoque es tirar las manos y rendirse, o realmente mirar con dureza a Ghostscript y ver si puede obtener la respuesta.

Answer 5

Aquí están los elementos de esta respuesta:

• pdfimages extraerá imágenes para que se descubra el número de puntos.
• identify dará el tamaño de la imagen en unidades de puntos PostScript (72 a la pulgada)
• Debido a que algunos escáneres pueden dividir una sola página en varias imágenes de diferentes tamaños y formas, la clave es sumar las áreas de todas las imágenes. Dividir los puntos cuadrados por pulgadas cuadradas y tomar la raíz cuadrada produce la respuesta.

A continuación se muestra un script de Lua que resuelve el problema. Probablemente podría haber usado un caparazón simple, pero capturar el ancho y la altura habría sido una molestia mayor.

#!/usr/bin/env lua

require ''osutil''
require ''posixutil''
require ''mathutil''

local function runf(...) return os.execute(string.format(...)) end

assert(arg[1], "no file on command line")

local function dimens(filename)
  local cmd = [[identify -format "return %w, %h/n" $file | sed 1q]]
  cmd = cmd:gsub(''$file'', os.quote(filename))
  local w, h = assert(loadstring(os.capture(cmd)))()
  assert(w and h)
  return w, h
end

assert(#arg == 1, "dpi of just one file")

for _, pdf in ipairs(arg) do
  local w, h = dimens(pdf)  -- units are points
  local insquared = w * h / (72.00 * 72.00)
  local imagedir = os.capture ''mktemp -d''
  assert(posix.isdir(imagedir))
  runf(''pdfimages -f 1 -l 1 %s %s 1>&2'', os.quote(pdf),
                                         os.quote(imagedir .. ''/img''))
  local dotsquared = 0
  for file in posix.glob(imagedir .. ''/img*'') do
    local w, h = dimens(file)  -- units are pixels
    dotsquared = dotsquared + w * h
  end
  os.execute(''rm -rf '' .. os.quote(imagedir))
  local dpi = math.sqrt(dotsquared / insquared)

  if true then
    io.stderr:write(insquared, " square inches/n")
    io.stderr:write(dotsquared, " square dots/n")
    io.stderr:write(dpi, " exact dpi/n")
    io.stderr:write(math.round(dpi, 10), " rounded dpi/n")
  end
  print(math.round(dpi, 10))
end

Answer 6

El PDF Spy de Apago le informará la resolución real de las imágenes en un PDF junto con muchas otras cosas. Es un producto comercial, pero tiene una demo de 10 días.

Answer 7

pdfimages tiene una opción -list que le da ancho de alto en píxeles y también y-ppi y x-ppi .

 pdfimages -list tmp.pdf           
page   num  type   width height color comp bpc  enc interp  object ID x-ppi y-ppi size ratio
--------------------------------------------------------------------------------------------
   1     0 image    3300  2550  gray    1   1  ccitt  no       477  0   389   232  172K  17%
   2     1 image    3300  2550  gray    1   1  ccitt  no         3  0   389   232  103K  10%
   3     2 image    3300  2550  gray    1   1  ccitt  no         7  0   389   232  236K  23%
   4     3 image    3300  2550  gray    1   1  ccitt  no        11  0   389   232  210K  20%
   5     4 image    3300  2550  gray    1   1  ccitt  no        15  0   389   232  250K  24%
   6     5 image    3300  2550  gray    1   1  ccitt  no        19  0   389   232  199K  19%
   7     6 image    3300  2550  gray    1   1  ccitt  no        23  0   389   232  503K  49%
   8     7 image    3300  2550  gray    1   1  ccitt  no        27  0   389   232  154K  15%
   9     8 image    3300  2550  gray    1   1  ccitt  no        31  0   389   232 21.5K 2.1%
  10     9 image    3300  2550  gray    1   1  ccitt  no        35  0   389   232  286K  28%
  11    10 image    3300  2550  gray    1   1  ccitt  no        39  0   389   232 46.8K 4.6%
  12    11 image    3300  2550  gray    1   1  ccitt  no        43  0   389   232 55.5K 5.4%
  13    12 image    3300  2550  gray    1   1  ccitt  no        47  0   389   232 35.0K 3.4%
  14    13 image    3300  2550  gray    1   1  ccitt  no        51  0   389   232 26.9K 2.6%
  15    14 image    3300  2550  gray    1   1  ccitt  no        55  0   389   232 66.5K 6.5%
  16    15 image    3300  2550  gray    1   1  ccitt  no        59  0   389   232 73.9K 7.2%
  17    16 image    3300  2550  gray    1   1  ccitt  no        63  0   389   232 47.0K 4.6%
  18    17 image    3300  2550  gray    1   1  ccitt  no        67  0   389   232 30.1K 2.9%
  19    18 image    3300  2550  gray    1   1  ccitt  no        71  0   389   232 70.3K 6.8%
  20    19 image    3300  2550  gray    1   1  ccitt  no        75  0   389   232 46.0K 4.5%
  21    20 image    3300  2550  gray    1   1  ccitt  no        79  0   389   232 28.9K 2.8%
  22    21 image    3300  2550  gray    1   1  ccitt  no        83  0   389   232 72.7K 7.1%
  23    22 image    3300  2550  gray    1   1  ccitt  no        87  0   389   232 47.5K 4.6%
  24    23 image    3300  2550  gray    1   1  ccitt  no        91  0   389   232 30.1K 2.9%