Os arquivos PDF comuns consistem em elementos vetoriais, como texto e gráficos vetoriais, além de outros dados incorporados, como arquivos de imagem. Extrair este último é muito fácil com utilitários como pdfimages (como descrito em neste documento & A ).
Por outro lado, documentos PDF digitalizados são compilações de páginas digitalizadas. Cada página é uma imagem de bitmap, possivelmente sobreposta com uma camada de texto pesquisável produzida pelo OCR. Como resultado, a execução de pdfimages em um documento PDF digitalizado simplesmente extrairá as páginas digitalizadas.
O que estou procurando é um aplicativo ou utilitário de linha de comando que possa distinguir entre imagens e texto em um documento PDF digitalizado e extrair o primeiro.
Existe algo assim?
Use pdfimages uma ferramenta de extração de imagens em PDF
Uso: pdfimages [options] <PDF-file> <image-root>
Exemplo: salvar imagens no formato JPEG
pdfimages -j in.pdf / tmp / out
PS: alguém, por favor, marque isso como duplicado: Extraindo imagens incorporadas de um PDF [creadits vai para pl1nk : link ]