如何用pyMuPDF读取PDF中流格式嵌入图片的宽高与DPI信息

核心问题分析 #

你拿到的stream是PDF的内容流（包含页面绘图指令，比如cm是坐标变换、gs是图形状态设置），不是图片本身的二进制数据，所以直接用PIL读取必然失败。page.get_images()返回空，说明图片不是页面资源字典直接引用的XObject，可能是嵌套在可选内容组（OCG，你的内容流里有/OC /Pr12 BDC标记）、或者是inline图像（直接嵌入内容流的图像数据）。

解决方案 #

1. 遍历所有PDF对象，查找图片XObject #

PDF中的嵌入图片通常以/XObject类型、/Subtype /Image的对象存在，直接遍历所有xref编号筛选这类对象：

import fitz
from PIL import Image
import io

pdf_file = fitz.open(filepath)

# 遍历所有xref对象（从1开始，0是根对象）
for xref in range(1, pdf_file.xref_length()):
    if pdf_file.xref_is_stream(xref):
        # 获取对象的字典内容，判断是否为图片XObject
        obj_dict = pdf_file.xref_object(xref, compressed=False)
        if "/Subtype /Image" in obj_dict:
            # 提取图片基本参数
            img_width = int(pdf_file.xref_get_key(xref, "/Width")[1])
            img_height = int(pdf_file.xref_get_key(xref, "/Height")[1])
            print(f"找到图片：尺寸 {img_width}x{img_height}")

            # 提取图片二进制流并读取
            img_stream = pdf_file.xref_stream(xref)
            try:
                img = Image.open(io.BytesIO(img_stream))
                print(f"图片格式：{img.format}")
                # 读取图片自带的DPI（如果是TIFF等格式可能携带）
                if "dpi" in img.info:
                    print(f"图片自带DPI：{img.info['dpi']}")
                else:
                    # 通过PDF的BBox计算DPI（1用户单位=1/72英寸）
                    bbox_str = pdf_file.xref_get_key(xref, "/BBox")[1]
                    bbox = eval(bbox_str)  # 格式为[llx, lly, urx, ury]
                    bbox_width = bbox[2] - bbox[0]
                    bbox_height = bbox[3] - bbox[1]
                    dpi_x = (img_width * 72) / bbox_width
                    dpi_y = (img_height * 72) / bbox_height
                    print(f"计算得到DPI：{dpi_x:.2f}x{dpi_y:.2f}")
            except Exception as e:
                print(f"读取图片失败：{str(e)}")

2. 解析内容流，提取inline图像 #

如果图片是直接嵌入内容流的inline图像（以BI开头、EI结尾标记），可以通过正则匹配提取：

import fitz
import re
from PIL import Image
import io

pdf_file = fitz.open(filepath)
page = pdf_file[0]

# 获取内容流的原始文本
content_text = page.get_contents_text()
# 匹配BI和EI之间的inline图像数据
inline_img_pattern = re.compile(r'BI(.*?)EI', re.DOTALL)
matches = inline_img_pattern.findall(content_text)

for img_segment in matches:
    # 找到ID标记（分隔图像参数和二进制数据）
    id_pos = img_segment.find('ID')
    if id_pos == -1:
        continue
    # 提取十六进制格式的图像数据并转二进制
    img_hex = img_segment[id_pos+2:].strip().replace('\n', '').replace('\r', '')
    try:
        img_bytes = bytes.fromhex(img_hex)
        img = Image.open(io.BytesIO(img_bytes))
        print(f"Inline图片尺寸：{img.size}")
        if "dpi" in img.info:
            print(f"Inline图片DPI：{img.info['dpi']}")
    except Exception as e:
        print(f"处理inline图片失败：{str(e)}")

3. 针对OCG图层图片的补充说明 #

你的内容流里有/OC /Pr12 BDC，说明图片在可选内容组中。上述遍历xref的方法依然能找到对应的图片XObject，因为OCG只是控制显示，不影响对象的存储结构。

内容的提问来源于stack exchange，提问作者Márcio Duarte