Ошибка при получении внешней ссылки изображения с помощью PyMuPDF с использованием page.get_text("dict")["blocks"] ⇐ Python

[Anonymous]

С помощью следующей функции Python я пытаюсь извлечь текст и изображения из документа PDF. Кроме того, я хочу поместить метку типа f"" в извлеченный текст в точном месте соответствующего изображения.
Это функция Python, которая у меня есть. :

Код: Выделить всё

def extract_text_and_save_images_not_working(pdf_path):

doc = fitz.open(pdf_path)
full_text = ""
image_counter = 1  # Initialize the image counter before iterating through pages

for page_num in range(len(doc)): # Iterate through each page of the pdf document

page = doc.load_page(page_num) # Load the pdf page
blocks = page.get_text("dict")["blocks"]  # The list of block dictionaries

for block in blocks:  # Iterate through each block

if block['type'] == 0:  # If the block is a text block
for line in block["lines"]:  # Iterate through lines in the block
for span in line["spans"]:  # Iterate through spans in the line
full_text += span["text"] + " "  # Append text to full_text
full_text += "\n"  # Add newline after each block

elif block['type'] == 1:  # If the block is an image block
image_label = f""  # Label to insert in the extracted text in place of the corresponding image
full_text += f"{image_label}\n"  # Insert image label at the image location
img = block['image']
xref = img[0]
print()
print(xref)
print()
base_image = doc.extract_image(xref)  # Attempt to extract image
image_bytes = base_image["image"]  # Get the image bytes
image_filename = f"image_{image_counter}.png"

with open(image_filename, "wb") as img_file:  # Save the image
img_file.write(image_bytes)

image_counter += 1  # Increment counter for next image regardless of extraction success

doc.close() # Close the pdf document
return full_text

По сути, функция извлекает блочные словари каждой страницы, используя эту функцию groups = page.get_text("dict")["blocks"] и для каждого блока проверяет, есть ли представляет собой текстовый блок (

Код: Выделить всё

block['type'] == 0

) или блок изображения (

Код: Выделить всё

block['type'] == 1). Если блок представляет собой изображение, то функция сохраняет изображение в том же каталоге работающего скрипта с этим именем f"image_{image_counter}.png"

и добавляет метку (

Код: Выделить всё

f""

) в извлеченном тексте в строке, которая определяет положение изображения в PDF-файле.
Теперь, когда я запускаю эту функцию, я получаю следующую ошибку:

Код: Выделить всё

Traceback (most recent call last):
File "c:\Users\xxxx\Desktop\X_Project\extract_images_from_pdf\extract_text_and_images_from_pdf.py", line 93, in 
extracted_text = extract_text_and_save_images_not_working(pdf_path)
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
File "c:\Users\xxxx\Desktop\X_Project\extract_images_from_pdf\extract_text_and_images_from_pdf.py", line 76, in extract_text_and_save_images_not_working
base_image = doc.extract_image(xref)  # Attempt to extract image
^^^^^^^^^^^^^^^^^^^^^^^
File "C:\Users\xxxx\Desktop\X_Project\extract_images_from_pdf\venv\Lib\site-packages\fitz\__init__.py", line 3894, in extract_image
raise ValueError( MSG_BAD_XREF)
ValueError: bad xref

Это имеет смысл, поскольку в переменной xref я должен получить целое число, представляющее номер перекрестной ссылки изображения, но вместо этого я получаю другое целое число, которое не t представляет правильный номер перекрестной ссылки. Другими словами, в моем упражнении для конкретного PDF-документа, который я использую, я ожидаю, что xref = 52, но вместо этого я получаю xref = 137.

Подробнее здесь: https://stackoverflow.com/questions/781 ... t-textdict