Pdf2docx: erro de compressão -2

Obrigado por fornecer este caso.

Muitos gráficos vetoriais, ou seja, path como uma linha, curva e sua combinação, existem em seu pdf. No entanto, atualmente o caminho de recorte é ignorado por esta biblioteca devido a problemas técnicos ao extrair esses caminhos do pdf. Alguns caminhos estão fora da página sem serem cortados, o que resulta neste problema de compression error -2 .

Além disso, mais dois problemas para converter este pdf:

• A cor do caminho está incorreta. Eu acho que a causa raiz é que atualmente apenas Device Color Space (Gray / RGB / CMYK) são considerados, enquanto esta amostra de pdf pode seguir um espaço de cor especial como Indexed CS , DeviceN CS .

• as imagens sobrepostas são removidas. python-docx é aplicado para escrever o docx convertido, mas python-docx não suporta elementos flutuantes agora. Portanto, as imagens flutuantes são removidas como um compromisso.

Então, infelizmente, pdf2docx não pode converter seu pdf por enquanto. Devem ser feitos pelo menos os seguintes esforços:

• caminho do clipe ao extrair caminhos do pdf
• implementar mais espaço de cores
• introduzir imagens flutuantes

Obrigado @dothinking pela explicação clara. Estou surpreso que esta biblioteca não seja mais popular do que é. A versão atual já é muito boa e sei que muita gente pode se beneficiar dela.

Por favor, deixe-me saber como posso ajudar a resolver qualquer um dos problemas listados (vou precisar de alguma orientação). Seja resolvendo os bugs, testando ou de outra forma.

Muito obrigado @ echan00.

Algum progresso neste problema:

• [x] imagem flutuante é suportada .
• [] caminho do clipe e espaço de cor -> boas notícias que outra biblioteca upstream PyMuPDF publicou um novo recurso no caminho de extração. Vou investigar e espero poder resolver o problema.

Depois disso, qualquer teste ou sugestão são apreciados.

Comentário sobre 2020-12-31: o PyMuPDF 1.18.5 mais recente resolveu esse problema parcialmente, mas não perfeitamente, especialmente o caminho de recorte.

Como a imagem embutida é compatível com python-docx , as etapas para explorar a imagem flutuante:

• crie dois arquivos docx, um com uma imagem embutida e outro uma imagem flutuante (neste caso, o modo behind text )
• verifique a diferença do xml de origem entre esses dois arquivos
• implementar imagem flutuante com base na estrutura observada e código para imagem embutida

resultados da estrutura xml:

• a imagem embutida é um nó <wp:inline> em <w:drawing>
• a imagem flutuante é um nó <wp:anchor> em <w:drawing>
• além de todos os subnós da imagem embutida, a imagem flutuante contém também <wp:positionH> e <wp:positionV> para definir a posição fixa

Portanto, a ideia é criar <wp:anchor> node e, em seguida, anexar subnós:

• todos os nós iguais com imagem embutida
• <wp:positionH> e <wp:positionV>

Parece que a imagem flutuante com python-docx é um pedido comum, documente aqui para compartilhar.

# -*- 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')

Legal @dothinking , parece que você sabe exatamente quais são os problemas. Eu tenho uma variedade de PDFs que posso ajudar a testar quando você estiver pronto

@dothinking, muito obrigado por seu exemplo de código! Resolve meu problema perfeitamente !!!!

Não tive tempo para este projeto por muito tempo. A nova versão v0.5.0 agora está disponível para resolver parcialmente este problema:

• imagem flutuante agora é suportada.
• a extração de caminho é suportada pela biblioteca upstream PyMuPDF , mas não tão boa para formas complicadas, por exemplo, caminho de recorte.

Com esta versão mais recente, o pdf de amostra pode ser convertido com sucesso, mas ainda precisa de muito trabalho para melhorar a qualidade do arquivo docx convertido, devido ao estilo complicado / lindo.

Uau, essa é uma grande atualização. Muito obrigado pelo seu trabalho árduo @dothinking