問(wèn)題

Python 中 PDF 轉(zhuǎn)圖片一般用的是 pdf2image。有時(shí)我們會(huì)發(fā)現(xiàn) PDF 轉(zhuǎn)出來(lái)的圖片都是空白，或者缺失了一些字，具體表現(xiàn)就是一些應(yīng)該有字的區(qū)域是空白。

由于某些原因我不能把出現(xiàn)問(wèn)題的文件放上來(lái)，不過(guò)大致就是這個(gè)情況。

主要的代碼如下：

images = pdf2image.convert_from_path('/path/to/pdf', output_folder='images/', fmt='jpg')

運(yùn)行時(shí)可能會(huì)發(fā)現(xiàn)代碼沒(méi)有任何異常，但是結(jié)果不對(duì)。

分析和解決

其實(shí) pdf2image 底層默認(rèn)使用的是 pdftoppm 來(lái)轉(zhuǎn)圖片，我們可以直接使用其來(lái)測(cè)試有問(wèn)題的 PDF，會(huì)發(fā)現(xiàn)輸出了一些警告：

除 pdftoppm 外，pdf2image 在兩種情況下會(huì)使用 pdftocairo 來(lái)轉(zhuǎn)圖片，具體是：

當(dāng)要轉(zhuǎn)成 tif/tiff 格式時(shí)

當(dāng) transparent=True（默認(rèn)為 False）且要轉(zhuǎn)成 png/tif/tiff 時(shí)

Missing language pack for 'Adobe-GB1' mapping

很明顯是缺失了語(yǔ)言包。

而且字缺失，自然而然想到的是字體缺失，即系統(tǒng)中沒(méi)有 PDF 中的字體。

我們需要找到對(duì)應(yīng)的字體，然后安裝上。

一般來(lái)說(shuō)，Linux 系統(tǒng)中，直接復(fù)制相應(yīng)的字體文件到 /usr/share/fonts/ 目錄下即可，可以使用 fc-list :lang=zh-cn 來(lái)查看當(dāng)前系統(tǒng)有哪些中文字體。

對(duì)于中文來(lái)說(shuō)，Noto CJK 字體可以覆蓋所有的字，可以嘗試下載安裝此字體，有些系統(tǒng)可能自帶。

有了字體，你再試的時(shí)候可能會(huì)發(fā)現(xiàn)還是不行，因?yàn)槟氵€需要另一個(gè)東西：poppler-data。

這個(gè)東西是干嘛用的？根據(jù)作者的描述：

This package consists of encoding files for use with poppler. The encoding files are optional and poppler will automatically read them if they are present. When installed, the encoding files enables poppler to correctly render CJK and Cyrrilic properly. While poppler is licensed under the GPL, these encoding files have different license, and thus distributed separately.

大致就是這個(gè)包里是一些編碼文件，可以讓 poppler 正確渲染 CJK 文字。

我們可以通過(guò) apt 來(lái)安裝：

sudo apt install poppler-data

然后再次嘗試，應(yīng)該就可以成功轉(zhuǎn)成正常的圖片了。

總結(jié)一下，你需要兩個(gè)東西：

正確的字體文件

poppler-data

Reference

以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教。

最新評(píng)論