PDFからPNGへの変換

2023-04-07

前にまとめてから5年も経ってるのでGPT4にオススメを聞いてみた

下記2017年のまとめのように画像埋め込みがされてないとエラーになるのだろう

$ pip install pdf2image

$ brew install poppler

code:python

from pdf2image import convert_from_path

images = convert_from_path(pdf_path)

for i, image in enumerate(tqdm(images)):

image.save(os.path.join(output_dir, f"{i+1}.png"), "PNG")

出力の例

https://gyazo.com/e475b087b9ff628e9d78baa62758e604

デフォルトだと72dpi

2017-08-23

まとめ

pdftocairo -r 200 -f 0 -png mybook.pdf prefix

裁断スキャンPDFに関してはpdfimagesで埋め込まれている-r 300相当の画像を取り出すのが最も綺麗

そういうPDFかどうかの判断が必要なのが問題。

pdftocairoはpdfimagesとほぼ変わりない品質。ただし48倍遅い

gs

$ time gs -q -dBATCH -dNOPAUSE -sDEVICE=png16m -r100 -sOutputFile=pages_%04d.png mybook.pdf

gs -q -dBATCH -dNOPAUSE -sDEVICE=png16m -r100 -sOutputFile=pages_%04d.png 219.36s user 5.22s system 95% cpu 3:54.68 total

552x823

酷いジャギジャギ

pdftoppm

$ time pdftoppm -r 100 -png mybook.pdf mybook

pdftoppm -r 100 -png mybook.pdf mybook 464.95s user 6.77s system 96% cpu 8:07.62 total

552x823

だいぶマシ

pdftoppm 2倍の解像度で出力

$ time pdftoppm -r 200 -png mybook.pdf mybook

pdftoppm -r 200 -png mybook.pdf mybook 1104.28s user 12.22s system 96% cpu 19:14.59 total

1104x1646

題字の雰囲気がだいぶ変わった？(細くなった？シャープになった印象)

2倍のサイズで出した後上記サムネイルでは2倍に縮小される。その過程で文字が細くなる？

ではgsで2倍の解像度で出したらどうなるか

$ time gs -q -dBATCH -dNOPAUSE -sDEVICE=png16m -r200 -sOutputFile=pages_%04d.png mybook.pdf

gs -q -dBATCH -dNOPAUSE -sDEVICE=png16m -r200 -sOutputFile=pages_%04d.png 619.65s user 13.83s system 93% cpu 11:14.36 total

汚い

明朝体の「変」の横画などが消えている

拡大(左:gs、右: pdftoppm)

https://gyazo.com/7d3d0371af344c56ee8ce7ddfa66f05d

gsは1ピクセル1回しかサンプリングしてなさげ。pdftoppmは何回かサンプリングして混ぜ合わせている挙動にみえる。

ImageMagick(convert)

$ time convert -verbose -density 200 mybook.pdf pages_%04d.png

"gs" -q -dQUIET -dSAFER -dBATCH -dNOPAUSE -dNOPROMPT -dMaxBitmap=500000000 -dAlignToPixels=0 -dGridFitTT=2 "-sDEVICE=pngalpha" -dTextAlphaBits=4 -dGraphicsAlphaBits=4 "-r200x200" "-sOutputFile=/tmp/magick-le3ab9PT-%08d" "-f/tmp/magick-s7CciX7v" "-f/tmp/magick-6huEpaq8"

コマンドラインの出力からわかるように、内部的にはgsを叩いている。画質もgs同様。

pdfimages

$ time pdfimages -j mybook.pdf ./pages

pdfimages -j mybook.pdf ./pages 6.14s user 2.51s system 59% cpu 14.569 total

対象PDFの中の画像ファイルを取り出す

実験対象PDFが紙の書籍の裁断スキャンであるので、スキャン結果が画像ファイルで入っている

https://gyazo.com/112c27b96232c0d73b64c0c702265959

1656x2469

gsやpdftoppmの-rオプションが100の時552x823だったので、-r 300 相当。

同一解像度に縮小してみる

$ convert -thumbnail 1104x1646 ex7/pages-002.jpg t.png

convert -thumbnail 1104x1646 ex7/pages-002.jpg t.png 3.86s user 0.09s system 98% cpu 4.002 total

きれいではあるが、PDFの出自を選ぶ

pdftocairo

$ time pdftocairo -r 200 -f 0 -l 10 -png mybook.pdf pages

pdftocairo -r 200 -f 0 -l 10 -png mybook.pdf pages 27.02s user 0.29s system 79% cpu 34.260 total

拡大(左上gs、右上pdftoppm、左下pdfimagesして縮小、右下pdftocairo)

https://gyazo.com/3c493d7126c0692c284717ff2c536c19

pdfimagesから縮小したものとほぼ同等の出力

イコールではないが、1ライン切りだして、並べてじっくり見たら差がわかる、ぐらいの僅差

10ページで34秒掛かっており、割と遅い(pdftoppmで270ページ出すのに19秒なので、ざっくり48倍遅い)

2017-08-23