pdfbox 和 itext 无法提取图像

Question

我正在尝试从 pdf 中提取图像。 pdfbox 能够从大多数 pdf 中提取图像，但它们是一些 pdf，其图像没有被 pdfbox 提取。

为了提取图像，我使用以下代码： Not able to extract images from PDFA1-a format document

您可以从此链接下载一个包含此问题的示例 pdf： http://myslams.com/test/2.pdf

是他们的代码有问题，可能是我忘记处理的代码，还是他们的 pdf 有问题？

Answer 1

由于 OP 尚未将其陈旧的示例 PDF 链接替换为有效的链接，因此只能笼统地回答这个问题。

OP 引用的代码（在@Tilman 的回答中进行了更正）迭代每个页面的即时图像资源并存储相应的文件。

因此，代码可能会存储太多图片，因为页面的图片资源不一定会在相关页面上使用：

1. 一方面，它可能根本不会在文件中使用，或者至少在任何地方都不可见，只是之前某个 PDF 编辑会话的遗留物。
2. 另一方面，多个页面可能有一个共享资源字典，其中包含所有这些页面上的所有图像；在这种情况下，OP 的代码会导出许多重复项。

并且代码可能存储太少图像，因为还有其他地方可以放置图像：

1. 图像数据可以直接包含在页面内容流中，也就是内嵌图像。
2. 从页面内容中使用的具有自己的资源（表单 xobjects、图案、Type 3 字体字形）的构造可以提供自己的图像资源或内联图像。
3. 注释，例如AcroForm 表单字段也可能有自己的外观流和自己的资源，因此也可以提供自己的图像资源或内联图像。
4. XFA 表单也可以提供自己的图像。

只要 OP 提供了具有代表性的示例文件，就可以确定他遗漏的图像类型，并概述具体的解决方案。

编辑

根据 OP 的评论，他的图像提取问题已通过使用从this answer 到他的问题"pdfbox and itext extracting image with incorrect dpi" 的信息解决。特别指出适用于 OP sem 使用的 PDFBox 1.8.8 版的示例代码很重要。

因此，任何类型的错误输出也可能由于软件编排问题而发生。