Pdf2docx: error de compresión -2

Gracias por proporcionar este caso.

En su pdf existen muchos gráficos vectoriales, es decir, path como una línea, una curva y su combinación. Sin embargo, esta biblioteca ignora actualmente la ruta de recorte debido a un problema técnico al extraer estas rutas de PDF. Algunas rutas están fuera de la página sin ser recortadas, lo que da como resultado este problema compression error -2 .

Además, dos números más para convertir este pdf:

• El color de la ruta es incorrecto. Supongo que la causa principal es que actualmente solo se consideran Device Color Space (Gray / RGB / CMYK), mientras que esta muestra de pdf puede seguir un espacio de color especial como Indexed CS , DeviceN CS .

• se eliminan las imágenes superpuestas. python-docx se aplica para escribir el docx convertido, pero python-docx no admite elementos flotantes. Por lo tanto, las imágenes flotantes se eliminan como compromiso.

Entonces, desafortunadamente, pdf2docx no puede convertir su pdf por ahora. Deben realizarse al menos los siguientes esfuerzos:

• Clip de ruta cuando se extraen rutas de PDF
• implementar más espacio de color
• introducir imágenes flotantes

Gracias @dothinking por la clara explicación. Me sorprende que esta biblioteca no sea más popular de lo que es. La versión actual ya es muy buena y sé que mucha gente puede beneficiarse de ella.

Hágame saber cómo puedo ayudar a resolver cualquiera de los problemas que enumeró (necesitaré orientación). Ya sea para resolver los errores, realizar pruebas o de otra manera.

Muchas gracias @ echan00.

Algunos avances en este tema:

• Se admite [x]
• [] ruta del clip y espacio de color -> buenas noticias de que otra biblioteca ascendente PyMuPDF publicó una nueva característica sobre la ruta de extracción. Lo investigaré y espero poder resolver este problema.

Después de eso, se agradece cualquier prueba o sugerencia.

Comente sobre 2020-12-31: el último PyMuPDF 1.18.5 resolvió este problema en parte, pero no perfectamente, especialmente el trazado de recorte.

Dado que la imagen en línea es compatible con python-docx , los pasos para explorar la imagen flotante:

• cree dos archivos docx, uno con una imagen en línea y otro con una imagen flotante (para este caso, el modo behind text )
• verifique la diferencia de fuente xml entre estos dos archivos
• implementar una imagen flotante basada en la estructura observada y el código para la imagen en línea

resultados de la estructura xml:

• la imagen en línea es un <wp:inline> nodo debajo de <w:drawing>
• la imagen flotante es un <wp:anchor> nodo debajo de <w:drawing>
• además de todos los subnodos de la imagen en línea, la imagen flotante también contiene <wp:positionH> y <wp:positionV> para definir la posición fija

Entonces, la idea es crear <wp:anchor> nodo, luego agregar subnodos:

• todos los nodos son iguales con la imagen en línea
• <wp:positionH> y <wp:positionV>

Parece que la imagen flotante con python-docx es una solicitud común, documente aquí para compartir.

# -*- 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')

Bien @dothinking , parece que sabes exactamente cuáles son los problemas. Tengo una variedad de archivos PDF que puedo ayudar a probar una vez que esté listo

@dothinking ¡Muchas gracias por tu código de muestra! Resuelve mi problema a la perfección !!!!

No tuve tiempo para este proyecto durante tanto tiempo. La nueva versión v0.5.0 ahora está disponible para resolver parcialmente este problema:

• La imagen flotante ahora es compatible.
• La extracción de ruta es compatible con la biblioteca ascendente PyMuPDF , pero no es tan buena para formas complicadas, por ejemplo, ruta de recorte.

Con esta última versión, el pdf de muestra se puede convertir con éxito, pero aún necesita mucho trabajo para mejorar la calidad del archivo docx convertido, debido al estilo complicado / magnífico.

Vaya, esta es una gran actualización. Muchas gracias por tu arduo trabajo @dothinking