Pdf2docx: 圧縮エラー-2

このケースを提供していただきありがとうございます。

たくさんのベクターグラフィック、つまり線、曲線、およびそれらの組み合わせのようなpathがPDFに存在します。 ただし、現在、PDFからこれらのパスを抽出する際の技術的な問題により、このライブラリではクリッピングパスが無視されます。 一部のパスはクリップされずにページから外れているため、このcompression error -2問題が発生します。

その上、このpdfを変換するためのさらに2つの問題：

• パスの色が正しくありません。 根本的な原因は、現在Device Color Space （グレー/ RGB / CMYK）のみが考慮されていることですが、このpdfサンプルはIndexed CS 、 DeviceN CSなどの特別な色空間に従う可能性があります。

• 重なった画像は削除されます。 python-docxは変換されたdocxの書き込みに適用されますが、 python-docxは現在フローティング要素をサポートしていません。 したがって、フローティング画像は妥協案として削除されます。

そのため、残念ながら、 pdf2docxは今のところPDFを変換できません。 少なくとも次の努力をする必要があります。

• PDFからパスを抽出するときにパスをクリップする
• より多くの色空間を実装する
• フローティング画像を紹介する

明確な説明をしてくれた@dothinkingに感謝します。 このライブラリが今ほど人気が​​ないことに驚いています。 現在のバージョンはすでに非常に優れており、多くの人がそれから恩恵を受けることができることを私は知っています。

記載されている問題の解決にどのように役立つか教えてください（ガイダンスが必要です）。バグの解決、テスト、その他の方法。

どうもありがとう@ echan00。

この問題に関するいくつかの進展：

• [x]フローティング画像がサポートされています。
• []クリップパスと色空間->別のアップストリームライブラリPyMuPDFパスの抽出に関する新機能を公開したという朗報。 私はそれを調べて、うまくいけばこの問題を解決することができます。

その後、テストや提案をいただければ幸いです。

2020-12-31へのコメント：最新のPyMuPDF 1.18.5は、この問題を部分的に解決しましたが、完全ではありません。特にクリッピングパスです。

インライン画像はpython-docxでサポートされているため、フローティング画像を探索する手順は次のとおりです。

• 2つのdocxファイルを作成します。1つはインラインイメージを使用し、もう1つはフローティングイメージを使用します（この場合、 behind textモード）
• これら2つのファイル間のソースxmlの違いを確認してください
• 観察された構造とインライン画像のコードに基づいてフローティング画像を実装する

xml構造の結果：

• インライン画像は<w:drawing>下の<wp:inline>ノードです
• フローティング画像は<w:drawing>下の<wp:anchor>ノードです
• インライン画像のすべてのサブノードに加えて、フローティング画像には固定位置を定義するための<wp:positionH>と<wp:positionV>れています

したがって、アイデアは<wp:anchor>ノードを作成してから、サブノードを追加することです。

• インライン画像と同じすべてのノード
• <wp:positionH>および<wp:positionV>

python-docxフローティング画像は一般的なリクエストのようです。共有するには、こちらのドキュメントをご覧ください。

# -*- 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')

素敵な@dothinking 、問題が正確に何であるかを知っているようです。 準備ができたらテストに役立つさまざまなPDFがあります

@dothinkingコードサンプルをありがとうございました！ 私の問題を完全に解決します!!!!

長い間、このプロジェクトに時間を割くことができませんでした。 この問題を部分的に解決するために、新しいバージョンv0.5.0が利用可能になりました。

• フローティング画像がサポートされるようになりました。
• パス抽出はアップストリームライブラリPyMuPDFでサポートされていますが、パスのクリッピングなどの複雑な形状にはあまり適していません。

この最新バージョンでは、サンプルpdfを正常に変換できますが、複雑でゴージャスなスタイルのため、変換されたdocxファイルの品質を向上させるために多くの作業が必要です。

うわー、これは素晴らしいアップグレードです。 頑張ってくれてありがとう@dothinking