Возникла ошибка compression error -2
. Было бы здорово, если бы кто-нибудь мог дать несколько указателей
Прикрепил PDF с проблемой:
5_EN.pdf
Сообщение об ошибке:
Processing Pages: 1/28...mupdf: compression error -2
Traceback (most recent call last):
File "/Users/erikchan/Downloads/convert.py", line 10, in <module>
parse(pdf_files[i], docx_files[i])
File "/Library/Frameworks/Python.framework/Versions/3.9/lib/python3.9/site-packages/pdf2docx/main.py", line 31, in parse
cv.make_docx(indexes, multi_processing)
File "/Library/Frameworks/Python.framework/Versions/3.9/lib/python3.9/site-packages/pdf2docx/converter.py", line 118, in make_docx
self._make_docx(page_indexes)
File "/Library/Frameworks/Python.framework/Versions/3.9/lib/python3.9/site-packages/pdf2docx/converter.py", line 192, in _make_docx
self.initialize(page).parse().make_page(self.doc_docx)
File "/Library/Frameworks/Python.framework/Versions/3.9/lib/python3.9/site-packages/pdf2docx/converter.py", line 172, in initialize
images, paths = self._paths_extractor.extract_paths(page)
File "/Library/Frameworks/Python.framework/Versions/3.9/lib/python3.9/site-packages/pdf2docx/shape/Path.py", line 61, in extract_paths
image = largest.to_image(page) if largest.contains_curve else None
File "/Library/Frameworks/Python.framework/Versions/3.9/lib/python3.9/site-packages/pdf2docx/shape/Path.py", line 140, in to_image
return ImagesExtractor.clip_page(page, bbox, zoom)
File "/Library/Frameworks/Python.framework/Versions/3.9/lib/python3.9/site-packages/pdf2docx/image/Image.py", line 60, in clip_page
return cls.to_raw_dict(image, bbox)
File "/Library/Frameworks/Python.framework/Versions/3.9/lib/python3.9/site-packages/pdf2docx/image/Image.py", line 50, in to_raw_dict
'image': image.getPNGData()
File "/Library/Frameworks/Python.framework/Versions/3.9/lib/python3.9/site-packages/fitz/fitz.py", line 5899, in getPNGData
barray = self._getImageData(1)
File "/Library/Frameworks/Python.framework/Versions/3.9/lib/python3.9/site-packages/fitz/fitz.py", line 5868, in _getImageData
return _fitz.Pixmap__getImageData(self, format)
RuntimeError: compression error -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:
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:
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:
behind text
)Результаты структуры xml:
<wp:inline>
под <w:drawing>
<wp:anchor>
под <w:drawing>
<wp:positionH>
и <wp:positionV>
для определения фиксированной позицииИтак, идея состоит в том, чтобы создать узел <wp:anchor>
, а затем добавить подузлы:
<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:
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
Самый полезный комментарий
Кажется, что плавающая картинка с
python-docx
- это общий запрос, документ здесь для публикации.