Colaboratory環境で画像ファイルをPDFファイルに変換する（img2pdf）

-
本記事では、主にGoogle Colaboratory環境で、JPEGなどの画像ファイルをimg2pdfを利用して、画質の劣化なくPDFファイルに変換する方法について考えてみました。

【目次】

［１］img2pdfについて

img2pdfは、JPEGなどの画像ファイルを、劣化なく（可逆に）PDFファイルに変換してくれるツールです。


img2pdfの特徴

  • 劣化がない（可逆変換）
    • PDFに埋め込まれた画像は、すべてのピクセルが入力と同じカラー情報を持ちます。
  • サイズが小さい
    • 可能であれば、入力画像と出力PDFとのファイルサイズの違いは、PDFコンテナー自体のオーバーヘッドのみになります。
  • 変換が高速
    • 可能であれば、入力画像はピクセルデータの再エンコードを行わずにそのままPDFドキュメントに貼り付けられます。

このため、画像ファイルを画質を落とさず機械的にPDFファイルに変換したい場合には、とても有用なツールです。

img2pdfは、シェルコマンドあるいはPythonライブラリとして利用することができます。

本記事では、『Colaboratory＋GoogleドライブでVision APIの実験環境を作る』の流れから、Colaboratoryの環境内でimg2pdfを使って画像ファイルをPDFに変換する方法を考えてみました。

（参考）

本記事とは逆に、PDFファイルを画像化する記事『Ubuntu/Colab環境でPDFファイルのページを画像化する（pdf2image、pdftoppm、pdftocairo）』も書いてみました。参考にしてください。

［２］インストール方法

以下のコマンドを実行するだけで、Colaboratory環境にimg2pdfをンストールできます。
!pip install img2pdf

インストールすると、img2pdfコマンドが利用できるようになます。また、Pythonからもimg2pdfをインポートすれば利用できます。

（補足）

img2pdfのホームページには、DebianあるいはUbuntu環境におけるapt経由でのインストールする方法が書かれています。しかしながら、Colaboratory環境ではPython環境との関係から、pipでインストールする必要があります。

［３］シェルコマンドとして利用する

（１）基本的な使い方

img2pdfはシェルコマンドとして利用できます。超基本的な利用法は以下の通りです。
!img2pdf  [-o 出力PDFファイル名]  入力画像ファイル（複数指定可能）

-oオプションで作成するPDFファイル名を指定します。もし-oオプションを指定しない場合は、標準出力に出力されます。

入力画像ファイルは複数指定できます。もし入力画像ファイルを指定しないか、または入力画像ファイルとして、ハイフン（-）を指定すると標準入力から画像ファイルを読み込みます。

例１）sample1.jpgをout1.pdfに変換する
!img2pdf -o out1.pdf  sample1.jpg

例２）sample1.jpgとsample2.jpgの２つの画像から２ページのout2.pdfに変換する
!img2pdf -o out2.pdf  sample1.jpg  sample2.jpg

（２）高度な使い方

img2pdfは多くの機能を持っています。
以下のコマンドを実行すると、利用方法と詳細な機能説明を表示することができます。

!img2pdf --help

これは以下のページでも見ることが出来ます。

全ての機能を説明することはできませんが、例を書きます。

例）ページサイズを指定して、sample1.jpgとsample2.jpgの２つの画像を２ページのout2a4.pdfに変換する
!img2pdf -o out2a4.pdf --pagesize A4  sample1.jpg  sample2.jpg


（３）PNGファイルを変換する場合の注意事項

PNGファイルをPDF変換する時、以下のエラーが発生する場合があります。
WARNING:root:Image contains transparency which cannot be retained in PDF.
WARNING:root:img2pdf will not perform a lossy operation.
WARNING:root:You can remove the alpha channel using imagemagick:
WARNING:root:  $ convert input.png -background white -alpha remove -alpha off output.png
ERROR:root:error: Refusing to work on images with alpha channel

この内容は、img2pdfのホームページのBugsの項目に以下のように説明されています。
  • Input images with alpha channels are not allowed. PDF only supports transparency using binary masks but is unable to store 8-bit transparency information as part of the image itself. But img2pdf will always be lossless and thus, input images must not carry transparency information.

ざっくり言えば、（アルファチャネルによる）透明度情報もつ画像（PNG-32など）は、img2pdfが目的とする劣化がない（可逆）変換でPDF化することはできないので、img2pdfでは扱わないということのようです。

ならば何らかの方法で透明度情報を持たないJPEGなどに変換してからimg2pdfを利用してもよいのですが、ここでは上記のメッセージで例示されている、ImageMagickを利用してアルファチャネルの情報を取り除く方法を試してみます。

ところで、ImageMagickは、とても高機能な画像加工ツールです。本記事ではImageMagickについての説明は割愛します。

ImageMagickのインストール

以下のコマンドでColaboratory環境にImageMagickをインストールできます。
!apt install imagemagick

インストールが完了すると、img2pdfのメッセージに例示されているconvertコマンドが利用できるようになります。

convertはとても多機能なコマンドですが、ファイル変換するだけならとても簡単に利用できます。例えば、sample3.pngをsample3.jpgに単純に変換するだけなら、以下のように利用できます。
!convert sample3.png sample3.jpg


convertコマンドと組み合わせてPNGをPDFに変換する

例えば、sample3.pngをout3.pdfに変換するため、
!img2pdf -o out3.pdf  sample3.png

を実行すると、透明度情報に関するエラーが表示されたとします。

エラーメッセージにあるように、convertコマンドでアルファチャネルの情報を取り除いたPNGファイルを作成して、img2pdfを実行すると、確かに変換できます。
!convert sample3.png -background white -alpha remove -alpha off output.png
!img2pdf -o out3.pdf output.png

なお、中間ファイルを作らず、パイプで繋いで実行することもできます。
!convert sample3.png -background white -alpha remove -alpha off - | img2pdf - -o out3.pdf


［４］Pythonプログラムから利用する

（１）基本的な使い方

例）sample1.jpgをout1.pdfに変換する

import img2pdf
with open("out1.pdf","wb") as f:
    f.write(img2pdf.convert('sample1.jpg'))


これ以外にも、img2pdfのサイトのLibraryの項に、Pythonから利用する場合のサンプルコードがありますので必要に応じて参照してください。

（２）コマンドライン的な利用方法

Pythonライブラリとしてのimg2pdfのリファレンスを見つけることが出来ませんでしたので、ソースコードを見てみました。

これによると、img2pdfコマンドはPythonで実装されていることが分かります。
そして、コマンドラインに与える内容を、文字列のリストで表現し、それを引数としてPythonライブラリのmain関数を呼び出せば同じ動作を実行できます。

高度な使い方については、まずは、上記のManPageのコマンドリファレンスを参考にして、必要なオプションをシェルコマンドで試してみます。うまく動作すれば、そのコマンド文字列を引数としてmain関数を呼び出せばよいことになります。

例）sample1.jpgをout1.pdfに変換する
import img2pdf
argv = ['','-o','out1.pdf','sample1.jpg']
img2pdf.main(argv)

コメント

コメントを投稿

このブログの人気の投稿

VirtualBoxのスナップショット機能

-
イメージ
本記事では、VirtualBoxのスナップショットがもつ情報と使い方について見ていきます。   【目次】 ［１］はじめに ［２］スナップショットの保存内容 ［３］VirtualBox マネージャのスナップショット画面 ［４］スナップショットの作成 ［５］スナップショットのプロパティの表示と編集 ［６］スナップショットの復元 ［７］「最新の状態」とスナップショットの履歴 ［８］スナップショットの削除 ［９］エクスポート/インポートの注意事項 ［１］はじめに 仮想マシンを利用するの利点の一つは、ある時点の仮想マシンの状態を保存し（スナップショットを作成）、後に、保存した状態を容易に復元することができることかと思います。 例えば、開発環境のある状態を保存しておき、ライブラリのバージョンアップを実行してみて、その結果が悪ければバージョンアップ前の状態に戻す、ということが簡単にできます。 スナップショットは、実行中の仮想マシンの状態（メモリ等の状態）も保存できますので、エディタで編集中の状態まで保存、復元できたりします。（少し言い過ぎですが、ワープロ編集中にでUndoやRedoを利用するのと同じような感覚でしょうか。） また、スナップショットのデータは、仮想マシンと統合管理されているため、保存、復元操作が非常に簡単です。 （一方で、スナップショットは、一般に言うバックアップとは少し目的が異なるため、バックアップの代替えになるとは限らない点に注意が必要です。） 本記事ではVirtualBoxのスナップショットについて見ていきます。 （参考） Vagrantをお使いの場合は、記事『 Vagrantのスナップショット機能とVirtualBox 』も参考にして下さい。 ［２］スナップショットの保存内容 VirtualBoxのスナップショットについては、ユーザマニュアルに記載があります。 User Manual 1.10. Snapshots（ https://www.virtualbox.org/manual/ch01.html#snapshots ） 詳しくは上記ドキュメントをご参照頂くとして、スナップショットは仮想マシンの構成、ディスクとメモリの内容を保存しています。 ハードウェア構成を含む仮想マシン設定の完全なコピーを持っています。 これにより、例えば、ある時点
続きを読む

Google Document AIで画像から表形式データを抽出する（Vision API OCRとの違い）

-
イメージ
本記事では、GoogleのDocument AIを利用して、表形式（テーブル形式）で記載された画像から、表形式の情報を抽出してみます。また、GoogleのVision API OCRを利用した場合との違いについてもみておきます。 【目次】 ［１］はじめに ［２］Document AIとVision API（OCR）の違い ［３］テスト用の表形式画像 （１）英語版表形式画像（shoppinglist.jpg） （２）日本語版表形式画像（okaimonolist.jpg） （３）PDFファイルへの変換 ［４］Vision APIによる表形式画像の認識 （１）実験方法 （２）英語版表形式画像の認識結果 （３）日本語版表形式画像の認識結果 ［５］Document AIによる表形式画像の認識 （１）実験方法 （２）英語版表形式画像の認識結果 （３）日本語版表形式画像の認識結果 ［６］最後に ［１］はじめに Google Vision APIを利用すると、画像から文字を抽出（OCR）できます。 https://cloud.google.com/vision/ Vision APIは、本などの文章の画像や、風景の画像から文字を抽出するといったケースでは、かなりいい感じで文字を抽出してくれます。文章が書かれているような画像の場合は、画像から文字を抽出するだけでなく、大雑把に文書の構造も得ることができます。 しかし、Vision API OCRでは期待した抽出が難しい例もあります。 例えば、下図のような、よくある表形式で書かれた書類です。 文章の画像は、隣接する文字の塊を抽出するだけでも、期待した文章が抽出できることが多いと思います。 しかし、上図のような表形式の書類は、隣接した文字の塊を抽出するだけでは利用価値が低い場合が多く、表形式のデータとして認識する必要があります。 表形式の書類は、人間が見れば、表組の意味を理解して要点を把握しやすい表現だと思います。例えば、「2021/2/2のお菓子の値段は300円であり、同日のお弁当は1,000円」云々と文章でつらつら書かれるより分かりやすいです。 一方で、これを機械的に認識しようとすると、単語レベルの文字列が散らばって配置されているレイアウトのようにも見えて、解釈が難しい場合が多いです。実際、汎用目的の機械的な表の認識を行
続きを読む

Ubuntu/Colab環境でPDFファイルのページを画像化する（pdf2image、pdftoppm、pdftocairo）

-
本記事では、UbuntuやGoogle Colaboratory環境で、オープンソースライブラリのPoppler（poppler-utilsに含まれるpdftoppm、pdftocairo）あるいはPythonライブラリのpdf2imageを利用して、PDFファイルのページをJPEGなどの画像ファイルに変換する方法を見ていきます。 【目次】 ［１］PDFファイルを画像に変換したいとき？ ［２］PDFファイル扱うオープンソースライブラリ （参考）ページの画像化と情報抽出について ［３］コマンドラインからの利用：poppler-utils （１）poppler-utils （２）インストール （３）pdftoppmの利用例 （４）pdftocairoの利用例 ［４］Pythonからの利用：pdf2image （１）pdf2image （２）インストール （３）最も簡単な使い方 （４）メモリを節約する方法（output_folderを利用する方法） （５）メモリを節約する方法（fmtを利用する方法） （６）サムネイルの作成サンプル （７）ページを指定して変換する方法（first_page, last_page） （８）大量ページの変換速度を上げる方法（thread_count） （９）解像度（dpi） （１０）pdftocairo/pdftoppmの画像変換結果を直接利用する（use_pdftocairo） （参考）pdfinfo_from_path関数 ［１］PDFファイルを画像に変換したいとき？ PDF（Portable Document Format）ファイルは広く使われている電子文書です。 PDFファイルは、ブラウザでも表示できますし、無料のAdobe Acrobat Readerをインストールして表示することもできます。 しかし、こういったツールでファイル内容を表示するだけではなく、PDFファイル内のページをJPEGなどの画像ファイルに変換して利用したい場合もあります。 例えば、システム開発において、Webサイトやアプリ内で、PDFファイルの概要をサムネイル表示したいとか、PDFファイルをダウンロードさせたり、ブラウザの別タブでPDFファイルを表示するのではなく、（導線が途切れないように）ページを移動することなく内容を見てもらいたい場合など、いろいろ
続きを読む