程序报 ValueError: no valid image found错误 about pdf2docx

[dothinking]

多谢指出问题和提供案例。测试了一下，很遗憾，pdf2docx无法较好地转换你的文档。

程序报 ValueError: no valid image found错误

已经发布的0.4.6版本确实对图片的支持存在不足，例如仅支持常规的RGB颜色空间，而你第二页的图片是ICCBased。所以在dev分支做了一些改进尝试，目前还在进行中。

[dothinking]

最主要的还是部分中文乱码问题：

pdf2docx本身是支持中文的，但是你提供的PDF文件不知是文件损坏还是版权保护有意为之，一些中文字符读出之后显示乱码。查找资料的解释是PDF文件缺少cmaps表——将CJK（中日韩）字符映射到unicode字符的规则，结果导致无法正确获取文本。

例如手动复制第7页前言第一句话“欢迎阅读本书的第2版”，粘贴后就成了：

൓ᤀ᫝ឳ本书ᄉኃ2版

如果尝试在线的PDF转word网站，例如smallpdf，结果也是一样的。

---

你的测试文件让我理解了 @shumintao 提的一个问题 #62

[leyiwang]

确实对图片的支持存在不足，例如仅支持常规的RGB颜色空间，而你第二页的图片是ICCBased。所以在dev分支做了一些改进尝试，目前还在进行中。

了解了，加油！

[leyiwang]

最主要的还是部分中文乱码问题：

pdf2docx本身是支持中文的，但是你提供的PDF文件不知是文件损坏还是版权保护有意为之，一些中文字符读出之后显示乱码。查找资料的解释是PDF文件缺少cmaps表——将CJK（中日韩）字符映射到unicode字符的规则，结果导致无法正确获取文本。

例如手动复制第7页前言第一句话“欢迎阅读本书的第2版”，粘贴后就成了：

൓ᤀ᫝ឳ本书ᄉኃ2版

如果尝试在线的PDF转word网站，例如smallpdf，结果也是一样的。

你的测试文件让我理解了 @shumintao 提的一个问题 #62

确实，也尝试用了其他的工具和pymupdf的作者也进行了交流，目前确实还无法解析示例中复制乱码的pdf文档