Pdf2docx: संपीड़न त्रुटि -2

इस मामले को उपलब्ध कराने के लिए धन्यवाद।

बहुत सारे वेक्टर ग्राफ़िक्स, यानी path जैसे लाइन, कर्व और उनका संयोजन आपकी पीडीएफ़ में मौजूद है। हालांकि, पीडीएफ से इन पथों को निकालते समय तकनीकी समस्या के कारण वर्तमान में क्लिपिंग पथ को इस पुस्तकालय द्वारा अनदेखा कर दिया गया है। कुछ पथ बिना क्लिप किए पृष्ठ से बाहर हैं, जिसके परिणामस्वरूप यह compression error -2 समस्या है।

इसके अलावा, इस पीडीएफ को बदलने के लिए दो और मुद्दे:

• पथ का रंग गलत है। मुझे लगता है कि मूल कारण यह है कि वर्तमान में केवल Device Color Space (ग्रे/आरजीबी/सीएमवाईके) पर विचार किया जाता है, जबकि यह पीडीएफ नमूना Indexed CS , DeviceN CS जैसे विशेष रंग स्थान का अनुसरण कर सकता है।

• ओवरलैप की गई छवियों को हटा दिया जाता है। python-docx परिवर्तित docx लिखने के लिए लागू किया गया है, लेकिन python-docx अब फ़्लोटिंग तत्वों का समर्थन नहीं करता है। तो, अस्थायी छवियों को एक समझौता के रूप में हटा दिया जाता है।

इसलिए, दुर्भाग्य से, pdf2docx अभी के लिए आपकी पीडीएफ़ को रूपांतरित करने में सक्षम नहीं है। कम से कम निम्नलिखित प्रयास किए जाने चाहिए:

• पीडीएफ से पथ निकालते समय क्लिप पथ
• अधिक रंग स्थान लागू करें
• फ़्लोटिंग छवियों का परिचय दें

स्पष्ट स्पष्टीकरण के लिए धन्यवाद @dothinking । मुझे आश्चर्य है कि यह पुस्तकालय इससे अधिक लोकप्रिय नहीं है। वर्तमान संस्करण पहले से ही बहुत अच्छा है और मुझे पता है कि बहुत से लोग इससे लाभ उठा सकते हैं।

कृपया मुझे बताएं कि मैं आपके द्वारा सूचीबद्ध किसी भी मुद्दे को हल करने में कैसे मदद कर सकता हूं (मुझे कुछ मार्गदर्शन की आवश्यकता होगी।) बग को हल करना, परीक्षण करना, या अन्यथा।

बहुत बहुत धन्यवाद @ Echan00।

इस मुद्दे पर कुछ प्रगति:

• [x] फ्लोटिंग इमेज समर्थित है ।
• [ ] क्लिप पथ और रंग स्थान -> अच्छी खबर है कि एक और अपस्ट्रीम लाइब्रेरी PyMuPDF ने पथ निकालने पर नई सुविधा प्रकाशित की। मैं इसे देख लूंगा और उम्मीद है कि इस मुद्दे को हल कर सकता हूं।

उसके बाद, किसी भी परीक्षण या सुझाव की सराहना की जाती है।

2020-12-31 पर टिप्पणी: नवीनतम PyMuPDF 1.18.5 ने इस मुद्दे को आंशिक रूप से हल किया, लेकिन पूरी तरह से नहीं, विशेष रूप से क्लिपिंग पथ।

चूंकि इनलाइन छवि python-docx में समर्थित है, फ़्लोटिंग छवि का पता लगाने के लिए कदम:

• दो docx फाइलें बनाएं, एक इनलाइन इमेज के साथ और दूसरी फ्लोटिंग इमेज के साथ (इस मामले के लिए, behind text मोड)
• इन दो फाइलों के बीच स्रोत एक्सएमएल के अंतर की जांच करें
• इनलाइन छवि के लिए देखी गई संरचना और कोड के आधार पर फ़्लोटिंग छवि लागू करें

एक्सएमएल संरचना परिणाम:

• इनलाइन छवि <wp:inline> नोड के अंतर्गत <w:drawing>
• फ्लोटिंग इमेज <wp:anchor> नोड के तहत <w:drawing>
• इनलाइन छवि के सभी उप-नोड्स के अलावा, फ़्लोटिंग छवि में निश्चित स्थिति को परिभाषित करने के लिए <wp:positionH> और <wp:positionV>

तो, विचार <wp:anchor> नोड बनाने का है, फिर उप-नोड्स संलग्न करें:

• सभी नोड्स इनलाइन छवि के साथ समान हैं
• <wp:positionH> और <wp:positionV>

ऐसा लगता है कि python-docx साथ फ़्लोटिंग तस्वीर एक सामान्य अनुरोध है, साझा करने के लिए यहां दस्तावेज़।

# -*- 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')

अच्छा @dothinking , ऐसा लगता है कि आप जानते हैं कि वास्तव में समस्याएँ क्या हैं। मेरे पास कई तरह के PDF हैं, जब आप तैयार हो जाएं तो मैं परीक्षण में मदद कर सकता हूं

@dothinking आपके कोड नमूने के लिए बहुत बहुत धन्यवाद! मेरी समस्या को पूरी तरह से हल करता है !!!!

इतने दिनों तक इस प्रोजेक्ट के लिए समय नहीं मिला। इस मुद्दे को आंशिक रूप से हल करने के लिए नया संस्करण v0.5.0 अब उपलब्ध है:

• फ्लोटिंग इमेज अब समर्थित है।
• पथ निष्कर्षण अपस्ट्रीम लाइब्रेरी PyMuPDF द्वारा समर्थित है, लेकिन जटिल आकृतियों, जैसे क्लिपिंग पथ के लिए इतना अच्छा नहीं है।

इस नवीनतम संस्करण के साथ, नमूना पीडीएफ को सफलतापूर्वक परिवर्तित किया जा सकता है, लेकिन जटिल/भव्य शैली के कारण परिवर्तित डॉक्स फ़ाइल की गुणवत्ता में सुधार के लिए अभी भी बहुत सारे काम की आवश्यकता है।

वाह यह एक अच्छा उन्नयन है। आपकी कड़ी मेहनत के लिए बहुत-बहुत धन्यवाद @dothinking