[Bug]: PDF images saved with save_images_locally=True come back with an empty src in result.media

Aperta Adatta ai principianti
  • Qualcosa non va?
#2,469 0 commenti 0 reazioni 0 assegnatari Vedi su GitHub

I maintainer di solito rispondono entro 1 giorno

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
2/5
Tempo stimato
1-3 ore
Idoneità per principianti
78/100
Tipo di issue
Bug
Chiarezza
Specificata chiaramente
Stato di attività
Attiva
Stack tecnologico
python
Ambito
backend

Direzione di ricerca

Inizia nel processore PDF, in PDFContentScrapingStrategy.scrap(), e controlla come i dizionari delle immagini salvate vengono passati a ScrapingResult(media={"images": [...]}); poi verifica lo schema di MediaItem per vedere quali campi conserva. Riproduci il problema con l’esempio PDF di Pillow nell’issue. Il lavoro è completato quando ogni immagine salvata in result.media.images offre un modo per individuare il relativo file sotto image_save_dir, mantenendo intatto il comportamento delle immagini in linea.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

🐞 Bug 🩺 Needs Triage
crawl4ai version

0.9.5 (develop at 78405d6)

Expected Behavior

With PDFContentScrapingStrategy(extract_images=True, save_images_locally=True), each entry in result.media.images should point at the image file that was written to image_save_dir.

Current Behavior

The image is written to disk, but the MediaItem in result.media.images has src == "" and data == "", so there is no way to find the file from the result.

The PDF processor reports a saved image as {"path": ..., "format": ..., "width": ..., ...}. scrap() passes these dicts straight into ScrapingResult(media={"images": [...]}), and MediaItem has no path field, so pydantic drops it. Same kind of schema mismatch as #2374 for links. Inline images (save_images_locally=False) are fine because data is a MediaItem field.

Is this reproducible?

Yes

Inputs Causing the Bug
Any PDF with an embedded image, e.g. one made by Pillow (below).
Steps to Reproduce
1. Make a one-page PDF containing an image.
2. Scrape it with PDFContentScrapingStrategy(extract_images=True, save_images_locally=True, image_save_dir=...).
3. Look at result.media.images.
Code snippets
import os, tempfile
from PIL import Image
from crawl4ai.processors.pdf import PDFContentScrapingStrategy

d = tempfile.mkdtemp()
pdf = os.path.join(d, "doc.pdf")
Image.new("RGB", (40, 30), "red").save(pdf)

strategy = PDFContentScrapingStrategy(
    extract_images=True, save_images_locally=True, image_save_dir=os.path.join(d, "imgs")
)
result = strategy.scrap(pdf, "")
print(os.listdir(os.path.join(d, "imgs")))
print(result.media.images[0].model_dump())

Output:

['page_1_img_1.jpg']
{'src': '', 'data': '', 'alt': '', 'desc': '', 'score': 0, 'type': 'image', 'group_id': 0, 'format': 'jpeg', 'width': 40}
OS

Linux

Python version

3.12

Browser

N/A (PDF scraping strategy called directly)

Browser version

N/A

Error logs & Screenshots (if applicable)

No error; success is True.

Lingua principale
Python
Stelle
86.8k
Fork
9k
Merge medio
2g 12h
PR unite (30g)
21

Preparare l'ambiente

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di unclecode/crawl4ai

Tutte le issue di unclecode/crawl4ai

Issue simili

Altre issue su Python

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.