如何获取 pdf，并将其中的任何 jpeg2000/jpx/jp2 图像转换为 jpeg 图像？

Question

我在 Mac Mini 上使用 MacOS Mojave，而且我还在使用无法读取 jpeg2000 图像的旧 Kindle Dx。它也有太多或太大的 jpeg 图像的问题。

我不能使用触摸屏，所以新的电子阅读器和平板电脑不是解决方案。

到目前为止，我发现了一些错误的解决方案--

我可以将 Willus 的 k2pdfopt 与 -mode copy 和 -dev dx 一起使用，它可以对所有内容进行光栅化。这是扫描 pdf 的一个很好的解决方案。如果需要更多细节，不带 -dev dx 的 -mode 复制将保留更高的分辨率。这是 pdf-born-pdfs 的最后手段，因为文本可能更丑陋且难以阅读，而且文件大小可能会惊人地增加。

我还可以使用带有 -dCompatibilityLevel=1.4 的 Ghostscript，它不会对所有内容进行光栅化。它将 jpeg2000 图像转换为 jpeg 图像。但它不能处理一些过大或结构不佳的图像，它经常会创建可以遮挡文本的深色矩形，并且偶尔会失去搜索或选择文本的能力。 [附：我的意思是它需要一个具有可搜索pdf的pdf并输出一个没有的pdf。此外，如果我对图像进行任何类型的下采样或删除，有时会重新缩放所有内容或丢失页面。]

我已经尝试了在 Ghostscript 中压缩图像的选项，结果喜忧参半，并且上述错误仍然存​​在。 [附：我想我是在下采样，是的。]

无论出于何种原因，MacOS Quartz 滤镜仅在它们可以减小图像尺寸时才有效。所以他们往往不会处理有问题的图像。

现在我的理想解决方案是保留文本本身，最好是解开连字，并像 Willus 的 k2pdfopt 那样压缩图像。但我不知道这是否可能或如何。

话不多说——我想知道是否有办法使用 Ghostscript 转换 jpeg2000 图像，而不会导致灰色矩形或失去搜索或选择文本的能力。

或者，如果有办法使用 Quartz 过滤器以便它们工作。在某些旧版本的 MacOS 中，它们确实有效。

或者如果有办法将这些 pdf 文件批量打印到适当的分辨率，显然是 800x1180，在此过程中重新处理图像。

我没有太多的编程经验。我主要用 homebrew 安装命令行工具，非常草率的 bash 脚本，用 Automator 来运行。

附：有关 Ghostscript 中灰色矩形的最小示例，请使用此处的免费 pdf：https://www.peginc.com/store/test-drive-savage-worlds-the-wild-hunt/

gs -sDEVICE=pdfwrite -dNOPAUSE -dQUIET -dBATCH -o out.pdf in.pdf

用该 pdf 替换 in.pdf。

有关丢失可搜索文本的最小示例，请使用此处的免费 pdf：http://datafortress2020.com/fileproject/details.php?image_id=498

相同的最小脚本

兼容性级别

gs -sDEVICE=pdfwrite -dNOPAUSE -dQUIET -dBATCH -dCompatibilityLevel=1.4 -o out.pdf in.pdf

积极的下采样和灰度

gs -sDEVICE=pdfwrite -dNOPAUSE -dQUIET -dBATCH -dCompatibilityLevel=1.4 -g800x1080 -r150 -dPDFFitPage \ -dFastWebView -sColorConversionStrategy=灰色\ -dDownsampleColorImages=true -dDownsampleGrayImages=true -dDownsampleMonoImages=true -dColorImageResolution=75 -dGrayImageResolution=75 -dMonoImageResolution=150 -dColorImageDownsampleThreshold=1.0 -dGrayImageDownsampleThreshold=1.0 -dMonoImageDownsampleThreshold=1.0 \ -o out.pdf in.pdf

附言我可以使用 k2pdfopt 进行光栅化以适合我的 Kindle。如果文件有可搜索的文本，则保留它，如果没有，我可以在 k2 中运行 tesseract 或之后运行 ocrmypdf。

但如果我想要特别好的图形，或者特别清晰的文本，并且文件有数百页，则需要数百兆。我曾将此归咎于文本光栅化，这就是为什么我的理想解决方案是保留文本并光栅化图像，但显然这是图像本身的问题。

Answer 1

如果您认为自己发现了错误，那么报告它会很有帮助。如果你不这样做，它永远不会被修复。您可以在https://bugs.ghostscript.com 报告错误，请务必附上示例文件以重现问题并说明使用的命令行。

Ghostscript pdfwrite 设备永远不会生成 JPEG2000 图像（由于专利问题）。所以你根本不需要设置 CompatibilityLEvel，我建议你不要。通过设置 CompatibilityLevel，您可以限制输出。除非您的设备无法处理更高版本，否则不要这样做。

如果没有看到示例文件、命令行以及知道版本和操作系统，显然任何人都无法评论您的“灰色矩形”。

您可以通过对图像进行下采样（而不是压缩）来减小图像的大小（以字节为单位），但您无法对图像数量做任何事情。

请注意，可搜索文本取决于 PDF 文件的结构，因此无法保证。可搜索文本（在 ToUnicode CMaps 的意义上）是后来添加到 PDF 参考的，并且始终是可选的，因为可能有无法确定 Unicode 代码点的输入（不使用 OCR 软件），但可以完美读取 PDF 文件还是可以生产的。

Ghostscript 本身可以生成一个 PDF 文件，该文件是原始文件的渲染表示，包装为 PDF。查看 pdfimage* 设备。

Tesseract 可以拍摄图像并生成带有可搜索文本的 PDF 文件，通过对图像进行 OCR 处理。在我看来，这似乎是您的最佳选择，但显然我不知道您的设备是否可以接受单个大图像。

编辑

我已经同意，PDF 本身不支持搜索文本，除非作为可选附件。您指出的错误报告谈到了“损坏的文本层”。 PDF中没有文字层，文字既没有损坏也没有丢失，只是不再编码为ASCII。

您不应该设置分辨率和像素大小的原因是因为 PDF 不是图像格式。这样做你没有任何收获。所发生的只是 pdfwrite 将“g”值除以分辨率，以获得以英寸为单位的媒体大小，并将其写入 MediaBox。设置媒体大小更简单。如果您设置分辨率，则您正在修复确实以该分辨率呈现的任何内容。选择低分辨率，你会得到糟糕的输出。如果您使用更高的分辨率，则可以缩小和平滑图像以提供更好的输出。

您的 Kindle 确实有可能无法比 Mac 更好地处理透明度，毕竟它是一台旧设备。也有可能是为您构建 Ghostscript 的人引入了一个错误。恐怕我们无法为您提供任何帮助。

我确实建议，在原始帖子的末尾，您将内容渲染为图像（Ghostscript 会为您完成），然后使用 Tesseract 将图像转换回 PDF，同时对文本进行时间 OCR。

这将解决您使用 JPEG2000 的问题，在创建可搜索文本方面做得*更好，因为即使是不可搜索的文件也会变成这样，并且允许您指定分辨率。