Pdf2docx: ошибка сжатия -2

Спасибо, что предоставили этот кейс.

В вашем PDF-файле существует много векторной графики, например path например линия, кривая и их комбинация. Однако в настоящее время обтравочный контур игнорируется этой библиотекой из-за технических проблем при извлечении этих контуров из pdf. Некоторые пути выходят за пределы страницы и не обрезаются, что приводит к проблеме compression error -2 .

Кроме того, есть еще две проблемы для преобразования этого pdf:

• Неправильный цвет пути. Я предполагаю, что основная причина в том, что в настоящее время рассматриваются только Device Color Space (серый / RGB / CMYK), в то время как этот образец PDF может следовать специальному цветовому пространству, например Indexed CS , DeviceN CS .

• перекрывающиеся изображения удаляются. python-docx применяется для записи преобразованного docx, но python-docx сейчас не поддерживает плавающие элементы. Итак, плавающие изображения удаляются в качестве компромисса.

Итак, к сожалению, pdf2docx пока не может конвертировать ваш PDF-файл. Следует предпринять как минимум следующие усилия:

• обрезать путь при извлечении путей из pdf
• реализовать больше цветового пространства
• ввести плавающие изображения

Спасибо @dothinking за четкое объяснение. Я удивлен, что эта библиотека не более популярна, чем сейчас. Текущая версия уже очень хороша, и я знаю, что многим она пригодится.

Пожалуйста, дайте мне знать, как я могу помочь решить любую из перечисленных вами проблем (мне понадобятся некоторые рекомендации). Будь то устранение ошибок, тестирование или иное.

Большое спасибо @ echan00.

Некоторый прогресс в этом вопросе:

• Поддерживается [x]
• [] путь клипа и цветовое пространство -> хорошие новости, что другая апстрим-библиотека PyMuPDF опубликовала новую функцию по пути извлечения. Я изучу это и, надеюсь, смогу решить эту проблему.

После этого приветствуются любые тесты или предложения.

Комментарий от 31 декабря 2020 года: последняя версия PyMuPDF 1.18.5 решила эту проблему частично, но не полностью, особенно обтравочный контур.

Поскольку встроенное изображение поддерживается в python-docx , шаги для изучения плавающего изображения:

• создать два файла docx, один со встроенным изображением, а другой - с плавающим (в данном случае режим behind text )
• проверьте разницу исходного xml между этими двумя файлами
• реализовать плавающее изображение на основе наблюдаемой структуры и кода для встроенного изображения

Результаты структуры xml:

• встроенное изображение - это узел <wp:inline> под <w:drawing>
• плавающее изображение - это узел <wp:anchor> под <w:drawing>
• Помимо всех подузлов встроенного изображения, плавающее изображение содержит также <wp:positionH> и <wp:positionV> для определения фиксированной позиции

Итак, идея состоит в том, чтобы создать узел <wp:anchor> , а затем добавить подузлы:

• все узлы одинаковы со встроенным изображением
• <wp:positionH> и <wp:positionV>

Кажется, что плавающая картинка с python-docx - это общий запрос, документ здесь для публикации.

# -*- 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')

Хороший @dothinking , похоже, вы знаете, в чем именно заключаются проблемы. У меня есть множество PDF-файлов, которые я могу помочь протестировать, когда вы будете готовы

@dothinking большое спасибо за ваш образец кода! Решает мою проблему отлично !!!!

Давно не было времени на этот проект. Теперь доступна новая версия v0.5.0 , которая частично решает эту проблему:

• теперь поддерживается плавающее изображение.
• извлечение пути поддерживается вышестоящей библиотекой PyMuPDF , но не очень хорошо для сложных форм, например, для обтравочного контура.

В этой последней версии образец pdf может быть успешно преобразован, но по-прежнему требуется много работы для улучшения качества преобразованного файла docx из-за сложного / великолепного стиля.

Вау, это отличное обновление. Большое спасибо за вашу тяжелую работу @dothinking