Pdf2docx: Kompressionsfehler -2

Vielen Dank für die Bereitstellung dieses Falles.

Viele Vektorgrafiken, zB path wie eine Linie, Kurve und deren Kombination, existieren in Ihrem PDF. Der Beschneidungspfad wird jedoch derzeit von dieser Bibliothek aufgrund technischer Probleme beim Extrahieren dieser Pfade aus dem PDF ignoriert. Einige Pfade sind außerhalb der Seite, ohne abgeschnitten zu werden, was zu diesem compression error -2 Problem führt.

Außerdem zwei weitere Ausgaben zum Konvertieren dieses PDFs:

• Die Pfadfarbe ist falsch. Ich denke, die Hauptursache ist, dass derzeit nur Device Color Space (Grau/RGB/CMYK) berücksichtigt werden, während dieses PDF-Beispiel möglicherweise speziellen Farbräumen wie Indexed CS , DeviceN CS folgt.

• überlappende Bilder werden entfernt. python-docx wird angewendet, um das konvertierte docx zu schreiben, aber python-docx unterstützt jetzt keine Floating-Elemente. Floating-Images werden also als Kompromiss entfernt.

Leider kann pdf2docx Ihr PDF vorerst nicht konvertieren. Es sollten zumindest folgende Anstrengungen unternommen werden:

• Clippfad beim Extrahieren von Pfaden aus PDF
• mehr Farbraum implementieren
• schwebende Bilder einführen

Danke @dothinking für die klare Erklärung. Ich bin überrascht, dass diese Bibliothek nicht beliebter ist als sie ist. Die aktuelle Version ist bereits sehr gut und ich weiß, dass viele Leute davon profitieren können.

Bitte lassen Sie mich wissen, wie ich Ihnen bei der Behebung der von Ihnen aufgeführten Probleme helfen kann (ich benötige einige Anleitungen). Ob Beheben der Fehler, Testen oder anderweitig.

Vielen Dank @echan00.

Einige Fortschritte zu diesem Thema:

• [x] Floating-Image wird unterstützt .
• [ ] Clippfad und Farbraum -> gute Nachricht, dass eine andere Upstream-Bibliothek PyMuPDF eine neue Funktion zum Extrahieren von Pfaden veröffentlicht hat. Ich schaue mir das an und kann das Problem hoffentlich lösen.

Danach sind alle Tests oder Vorschläge willkommen.

Kommentar zum 31.12.2020: Das neueste PyMuPDF 1.18.5 löste dieses Problem teilweise, aber nicht perfekt, insbesondere beim Beschneidungspfad.

Da Inline-Image in python-docx , sind die Schritte zum Erkunden von Floating-Images:

• zwei docx-Dateien erstellen, eine mit einem Inline-Image und eine andere mit einem Floating-Image (in diesem Fall der behind text Modus)
• Überprüfen Sie den Unterschied der Quell-XML zwischen diesen beiden Dateien
• Implementieren von Floating-Images basierend auf der beobachteten Struktur und Code für das Inline-Image

Ergebnisse der XML-Struktur:

• Inline-Image ist ein <wp:inline> Knoten unter <w:drawing>
• Floating-Image ist ein <wp:anchor> Knoten unter <w:drawing>
• neben allen Unterknoten von Inline-Image enthält Floating-Image auch <wp:positionH> und <wp:positionV> um die feste Position zu definieren

Die Idee ist also, den Knoten <wp:anchor> zu erstellen und dann Unterknoten anzufügen:

• alle Knoten gleich mit Inline-Bild
• <wp:positionH> und <wp:positionV>

Scheint, dass ein schwebendes Bild mit python-docx eine häufige Anfrage ist, Dokument hier zum Teilen.

# -*- coding: utf-8 -*-

'''
Implement floating image based on python-docx.

- Text wrapping style: BEHIND TEXT <wp:anchor behindDoc="1">
- Picture position: top-left corner of PAGE `<wp:positionH relativeFrom="page">`.

Create a docx sample (Layout | Positions | More Layout Options) and explore the 
source xml (Open as a zip | word | document.xml) to implement other text wrapping
styles and position modes per `CT_Anchor._anchor_xml()`.
'''

from docx.oxml import parse_xml, register_element_cls
from docx.oxml.ns import nsdecls
from docx.oxml.shape import CT_Picture
from docx.oxml.xmlchemy import BaseOxmlElement, OneAndOnlyOne

# refer to docx.oxml.shape.CT_Inline
class CT_Anchor(BaseOxmlElement):
    """
    ``<w:anchor>`` element, container for a floating image.
    """
    extent = OneAndOnlyOne('wp:extent')
    docPr = OneAndOnlyOne('wp:docPr')
    graphic = OneAndOnlyOne('a:graphic')

    <strong i="7">@classmethod</strong>
    def new(cls, cx, cy, shape_id, pic, pos_x, pos_y):
        """
        Return a new ``<wp:anchor>`` element populated with the values passed
        as parameters.
        """
        anchor = parse_xml(cls._anchor_xml(pos_x, pos_y))
        anchor.extent.cx = cx
        anchor.extent.cy = cy
        anchor.docPr.id = shape_id
        anchor.docPr.name = 'Picture %d' % shape_id
        anchor.graphic.graphicData.uri = (
            'http://schemas.openxmlformats.org/drawingml/2006/picture'
        )
        anchor.graphic.graphicData._insert_pic(pic)
        return anchor

    <strong i="8">@classmethod</strong>
    def new_pic_anchor(cls, shape_id, rId, filename, cx, cy, pos_x, pos_y):
        """
        Return a new `wp:anchor` element containing the `pic:pic` element
        specified by the argument values.
        """
        pic_id = 0  # Word doesn't seem to use this, but does not omit it
        pic = CT_Picture.new(pic_id, filename, rId, cx, cy)
        anchor = cls.new(cx, cy, shape_id, pic, pos_x, pos_y)
        anchor.graphic.graphicData._insert_pic(pic)
        return anchor

    <strong i="9">@classmethod</strong>
    def _anchor_xml(cls, pos_x, pos_y):
        return (
            '<wp:anchor distT="0" distB="0" distL="0" distR="0" simplePos="0" relativeHeight="0" \n'
            '           behindDoc="1" locked="0" layoutInCell="1" allowOverlap="1" \n'
            '           %s>\n'
            '  <wp:simplePos x="0" y="0"/>\n'
            '  <wp:positionH relativeFrom="page">\n'
            '    <wp:posOffset>%d</wp:posOffset>\n'
            '  </wp:positionH>\n'
            '  <wp:positionV relativeFrom="page">\n'
            '    <wp:posOffset>%d</wp:posOffset>\n'
            '  </wp:positionV>\n'                    
            '  <wp:extent cx="914400" cy="914400"/>\n'
            '  <wp:wrapNone/>\n'
            '  <wp:docPr id="666" name="unnamed"/>\n'
            '  <wp:cNvGraphicFramePr>\n'
            '    <a:graphicFrameLocks noChangeAspect="1"/>\n'
            '  </wp:cNvGraphicFramePr>\n'
            '  <a:graphic>\n'
            '    <a:graphicData uri="URI not set"/>\n'
            '  </a:graphic>\n'
            '</wp:anchor>' % ( nsdecls('wp', 'a', 'pic', 'r'), int(pos_x), int(pos_y) )
        )


# refer to docx.parts.story.BaseStoryPart.new_pic_inline
def new_pic_anchor(part, image_descriptor, width, height, pos_x, pos_y):
    """Return a newly-created `w:anchor` element.

    The element contains the image specified by *image_descriptor* and is scaled
    based on the values of *width* and *height*.
    """
    rId, image = part.get_or_add_image(image_descriptor)
    cx, cy = image.scaled_dimensions(width, height)
    shape_id, filename = part.next_id, image.filename    
    return CT_Anchor.new_pic_anchor(shape_id, rId, filename, cx, cy, pos_x, pos_y)


# refer to docx.text.run.add_picture
def add_float_picture(p, image_path_or_stream, width=None, height=None, pos_x=0, pos_y=0):
    """Add float picture at fixed position `pos_x` and `pos_y` to the top-left point of page.
    """
    run = p.add_run()
    anchor = new_pic_anchor(run.part, image_path_or_stream, width, height, pos_x, pos_y)
    run._r.add_drawing(anchor)

# refer to docx.oxml.shape.__init__.py
register_element_cls('wp:anchor', CT_Anchor)


if __name__ == '__main__':

    from docx import Document
    from docx.shared import Inches, Pt

    document = Document()

    # add a floating image
    p = document.add_paragraph()
    add_float_picture(p, 'test.png', width=Inches(5.0), pos_x=Pt(20), pos_y=Pt(30))

    # add text
    p.add_run('Hello World'*50)


    document.save('output.docx')

Nettes @dothinking , es sieht so aus, als wüssten Sie, was die Probleme genau sind. Ich habe eine Vielzahl von PDFs, die ich testen kann, sobald Sie bereit sind

@dothinking vielen Dank für dein Codebeispiel! Löst mein Problem perfekt!!!!

Hatte so lange keine Zeit für dieses Projekt. Die neue Version v0.5.0 ist jetzt verfügbar, um dieses Problem teilweise zu lösen:

• Floating-Image wird jetzt unterstützt.
• Pfadextraktion wird von der Upstream-Bibliothek PyMuPDF , aber nicht so gut für komplizierte Formen, zB Beschneidungspfade.

Mit dieser neuesten Version kann das Beispiel-PDF erfolgreich konvertiert werden, erfordert jedoch aufgrund des komplizierten/schönen Stils noch viel Arbeit, um die Qualität der konvertierten docx-Datei zu verbessern.

Wow, das ist ein tolles Upgrade. Vielen Dank für deine harte Arbeit @dothinking