如何使用Python检查PDF页面是否为彩色？

Question

我有一个包含N页的PDF文件。如何计算彩色和非彩色（黑白）页面。

例：如果我输入100页的PDF文件，它应该显示X个页面是彩色的，而y个页面是非彩色的。

- T.SURESH ARUNACHALAM

---

取决于你的内容里面是否包含图片，还是只有黑白文字或者彩色文字？ - sunnytown

可能它也有图片...！ - T.SURESH ARUNACHALAM

Answer 1

您可以将PDF转换为图像（例如使用pdf2image），然后分析不同的通道。例如，使用HSV时，如果页面只包含黑色和白色，则H和S通道应为0或接近0。

import pdf2image
import numpy as np

images = convert_from_path('example.pdf')
sw=0
color=0
for image in images:
    img = np.array(image.convert('HSV'))
    hsv_sum = img.sum(0).sum(0)
    if hsv_sum[0] == 0 and hsv_sum[1] == 0:
        sw += 1
    else:
        color += 1

对于一个包含一面黑色文字和一面红色文字的PDF示例，每面都有白色背景，它会给我sw=1和color=1。

如果背景不完全白色、文字不完全黑色（例如扫描的PDF文档），你可能需要搜索hsv_sum[0:1]小于像素的一部分。

- chillking

---

这不是最好的解决方案。为了获取计数，我必须将其拆分为图像，然后获取计数。最后我必须删除文件。如果文件数量很高，那么这不是一个好的解决方案。但还是谢谢你的回答。 - T.SURESH ARUNACHALAM

编辑了我的答案，以更好地解释我的观点。同时像@sunnytown提到的那样，在内存中处理图片。 - chillking

谢谢@sunnytown。我得到了解决方案。 - tsuresh97

应该是：from pdf2image import convert_from_path - sekrett

这太妙了。当 H 和 S 都为零时，通过改变 V 可以得到所有的灰度色调。但是如果你改变 H 和/或 S，它就会变成彩色，但在低值时肉眼不容易察觉。 - sekrett

是的，这就是HSV（色调、饱和度、明度）的工作原理。 - chillking