关于从学术论文PDF中提取Form Xobjects格式图片的技术咨询

我想从PDF里提取由LaTeX编译器并入的原独立PDF图片，这类图片在PDF里是Form Xobjects格式。以某公开论文为例，用文本编辑器查看能看到类似如下的Form Xobject片段：

152 0 obj
<<
/Type /XObject
/Subtype /Form
/FormType 1
/PTEX.FileName (./graphs/spectrum.pdf)
/PTEX.PageNumber 1
/PTEX.InfoDict 203 0 R
/BBox [135.2168 266.4003 592.6775 381.8708]
/Resources <<
/ProcSet [ /PDF /Text ]
/ColorSpace <<
/Cs1 204 0 R
>>/Font << /TT2 205 0 R>>
>>
/Length 1052
/Filter /FlateDecode
>>
stream
x½VËn7¼ó+:/{6ÖRdóm'N`Áß-ƒÓ"‚Xdòû®&çAíZk
xˆœN³º«ºÉ[zK·d™Š¡3yÇôñú‹þ£ó‹;Kû;²õïn/«3ÝPʦÎ>Ô¾ü€wªŽ×tõÍáIülõdó“x7š£üfÞ'rÆØ#§@Ó;mr‰ä8êì9©
ÙkÃi¶E¸îlžXlÝ·Õ–`»î¬¶èØ<ZWtJ¡md]šöeí¸ô†P?#€[e]Bôjqäl[µ€˜,TÔÞ8Gn²Y_¦í&O‹eÙo± fG3î9_“e¯®»ì´
#x9içí"RrZ^ˆÞRADµïm"—ÎSÛžf†&¾Ë ù™rUHyÚoò´XÚ~Hr·jB5{£QË~S|{0}E%p ÿ!ù[\\®(îòBÝb‰6r)Œ*1øÛÞ7YŸuŽ6‘KV—d˜ö7uTSŽñ å$S}Íx64O¯é…%žˆ\¶dßžebƒ‡¶´eÇ:‹÷W;e³S;I¥vøµ/ºöÁÐî†Îw;Fл+zGÃ?n 8~Â`høÓð†¨†'ú›voèõ®ú!ìÃQ`@xÙw8B¢êÇSì\hx?là㦿"XÉ=Û Eí©Wsê­-Ƈ€4¢ôÇùœñ£äæœQËÞš8æ\ÜŽ9_õ(ç÷bUÇÚ“ÎlµwYfûñÉ~v~[²‘sPV?@® :¨<`    €ÿ[¬H4èº/‡2œA—tHšK¬£c·ÂÈ€:
éöœÐ!k)5ÒêZ‘ÞçZC    @¹i@‚¶-ðû÷”8ë´
(AÙ,¢Xq¤ÿïEIÉ:ù€¶~L ›’mi”´ùÒ’VÄ4¥äòg(AÎK‰`º³ äÉF    ?,2U¨Ò"ØA°X‰Ê[¼|˜*%Ú]¥j©_>—.‰ƒQ²3:¸H6h  `B“>Ä´R0¾àZÊrrtí˹Q¦µ`Æù×·/_:t¼„oOh_Qê­B‚ÌjH`…†ÜX(søàíùaø}õ“qª¦†6Õð ”Øz`@/*/6
\üV;š ÅC¥4qÒƒ²!àtÇY¶åÌÚg«’³µ”G«øwHbÀŽÒ_å„e% ä 0"‡oÓ®œºÒt14yXÏÁàà΂‹×|=æKÉ2ƒ}MW‹ŠÐâ„°
HQâ€?ú"X†ªÔј¨w`OPßÓ3); ‘‹‹URk·‡³éúØ üì:´[£›îÓBøBHâCú€ì‚È€æ¾mõgOÌÛOR›Œ
endstream
endobj

这个片段对应论文里的图1。我试过用mutool extract paper.pdf提取，但只拿到字体文件；后来尝试渲染页面再用/BBox提取Pixmap，脚本如下：

var pdf_path = "paper.pdf"
var doc = new Document(pdf_path);
var page = doc.loadPage(1);
var submap = new Pixmap(DeviceRGB, [135, 266, 592, 381], true)
var dev = new DrawDevice(Identity, submap)
page.run(dev, Identity, true)
submap.saveAsPNG("result.png")

但提取出的PNG位置不对，对BBox的用法也有疑问，现在有三个问题：

• 上述代码片段包含了原“spectrum.pdf”的全部数据吗？
• 能否将这类Form Xobjects提取为独立的PDF文件？
• 如何计算这类图片在PDF中的最终绝对位置？

1. 代码片段是否包含原PDF的全部数据？ #

是的，这个Form Xobject的stream部分就是原spectrum.pdf经过Flate压缩后的全部视觉数据，但要注意：

• 它依赖主PDF里的关联资源（比如片段中/Resources引用的颜色空间、字体），这些资源存储在主PDF的其他对象中，单独取出stream无法直接还原完整内容。
• LaTeX嵌入原PDF时，可能已经对其做了裁剪、格式转换等处理，提取出的内容和原始独立PDF可能存在细微差异，但所有构成图像的核心数据都在这个stream里。

2. 能否提取为独立PDF？ #

可以，但需要手动构造新PDF文件，核心步骤如下：

1. 解压Form Xobject的stream：用mutool clean -d paper.pdf -命令可解压PDF中所有流，找到对应对象的原始未压缩内容。
2. 新建空白PDF：将解压后的stream内容作为新PDF的页面内容。
3. 配置页面参数：把原Form Xobject的/BBox值设为新PDF页面的MediaBox和CropBox。
4. 复制关联资源：将原Form Xobject引用的颜色空间、字体等资源，复制到新PDF的资源字典中。

也可以通过编写脚本简化流程：遍历PDF对象，识别带有/PTEX.FileName标记的Form Xobject，自动完成上述构造步骤。

3. 如何计算图片的绝对位置？ #

PDF以页面左下角为坐标原点，Form Xobject的/BBox是它自身的局部坐标范围，而它在页面上的最终位置由页面内容流中调用该Xobject的变换矩阵决定，具体方法：

1. 找到页面内容流中调用该Xobject的指令，例如q 0.8 0 0 0.8 120 250 cm /X152 Do Q，其中0.8 0 0 0.8 120 250 cm就是变换矩阵，格式为[a b c d e f]，最后两个数值(120,250)是Xobject左下角在页面上的平移坐标。
2. 结合/BBox的四个值(x1,y1,x2,y2)和变换矩阵，计算绝对位置：
   • 绝对左下角坐标：(x1*a + y1*c + e, x1*b + y1*d + f)
   • 绝对右上角坐标：(x2*a + y2*c + e, x2*b + y2*d + f)

你之前的脚本提取位置错误，是因为直接使用Identity（单位矩阵）渲染，没有考虑页面调用Xobject时的变换矩阵。正确做法是先找到该Xobject的调用矩阵，再用这个矩阵来渲染，而不是直接用BBox作为Pixmap的范围。

内容的提问来源于stack exchange，提问作者Kiyoaki