通过 PDFBox 访问图像的“替代文本”

Question

有没有办法使用PDFBox为特定图像提取“替代文本”？

我有一个 PDF 文件，如 http://www.w3.org/WAI/GL/2011/WD-WCAG20-TECHS-20110621/pdf.html#PDF1 所述，在图像中添加了替代文本。使用 PDFBox，我可以通过 PDFDocument.getDocumentCatalog().getAllPages() [iterator] .getResources.getImages() 通过对象模型找到图像本身（PDXObjectImage）的方法，但我看不到任何从图像中获取的方法将其自身添加到替代文本中。

可以在http://dl.dropbox.com/u/12253279/image_test_pass.pdf 找到一个小的示例 PDF（带有指定了一些替代文本的单个图像）（它应该说“这是图像的替代文本。”）。

Answer 1

我不知道如何/是否可以使用 PDFBox 完成此操作，但我可以告诉您，此功能与 PDF 规范中称为逻辑结构/标记 PDF 的部分有关，并非每个 PDF 工具都完全支持在外面。

假设您使用的工具支持它，您将必须遵循 4 个主要步骤来检索此信息（我将使用您发布的示例 PDF 文件进行以下说明）。

假设您可以访问 PDF 文件的内部结构，您需要：

1-解析页面内容，找到包裹你感兴趣的图片的Tag元素的MCID号。

页面内容：

BT
/P <</MCID 0 >>BDC 
/GS0 gs
/TT0 1 Tf
0.0004 Tc -0.0028 Tw 10.02 0 0 10.02 90 711 Tm
(This is an image test )Tj
EMC 
ET
/Figure <</MCID 1 >>BDC 
q
106.5 0 0 106.5 90 591.0599976 cm
/Im0 Do
Q
EMC 

您的图片：

2- 在页面对象中，检索键 StructParents。

3- 现在检索结构树（目录对象的键 StructTreeRoot，它是每个 PDF 文件中的根对象），以及其中的 ParentTree。

4- ParentTree 以一个数组开头，您可以在其中找到成对的元素（有关详细信息，请参阅 PDF 规范中的数字树）。在这个特定的树中，每对的第一个元素是一个数值，对应于在步骤 2 中检索到的 StructParents 键，第二个元素是一个对象数组，其中索引对应于在步骤 1 中检索到的 MCID 值。所以, 您将在此处搜索与您的图像的 MCID 值对应的元素，您将找到一个 PDF 对象。在此对象中，您将找到替代文本。

看起来很简单，不是吗？

此答案中使用的工具：
PDF Vole（基于 iText）
Amyuni PDF Analyzer

Answer 2

PDFBox 邮件列表中的 Eric 给我发了以下内容，虽然我还没有测试过...

---

嗨，

对于您的测试文件，这是一种访问“/Alt”条目的方法：

    PDDocument document = PDDocument.load("image_test_pass.pdf");
    PDStructureTreeRoot treeRoot =
        document.getDocumentCatalog().getStructureTreeRoot();

    // get page for each StructElement
    for (Object o : treeRoot.getKids()) {
        if (o instanceof PDStructureElement) {
            PDStructureElement structElement = (PDStructureElement)o;
            System.out.println(structElement.getAlternateDescription());
            PDPage page = structElement.getPage();
            if (page != null) {
                page.getResources().getImages();
            }
        }
    }

请参阅 PDF 规范 http://www.adobe.com/devnet/acrobat/pdfs/PDF32000_2008.pdf，尤其是 §14.6、§14.7、 §14.9.3 和 §14.9.4 了解所有规则以便找到“/Alt” 入口。似乎有几种方法可以定义这些信息。

BR, 埃里克