pdfbox和itext提取dpi不正确的图像

Question

当我使用 pdfbox 提取图像时，某些 PDF 的图像 dpi 不正确。当我使用 Photoshop 或 Acrobat Reader Pro 提取图像时，我可以使用 windows 照片查看器看到图像的 dpi 为 200，但是当我使用 pdfbox 提取图像时，dpi 为 72。

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

当我检查日志时，我看到一个不寻常的条目： 2015-01-23-main--DEBUG-org.apache.pdfbox.util.TIFFUtil：

     <?xml version="1.0" encoding="UTF-8"?><javax_imageio_jpeg_image_1.0>
      <JPEGvariety>
    <app0JFIF majorVersion="1" minorVersion="2" resUnits="0" Xdensity="1" Ydensity="1" thumbWidth="0" thumbHeight="0"/>
  </JPEGvariety>
  <markerSequence>
    <dqt>
      <dqtable elementPrecision="0" qtableId="0"/>
      <dqtable elementPrecision="0" qtableId="1"/>
    </dqt>
    <dht>
      <dhtable class="0" htableId="0"/>
      <dhtable class="0" htableId="1"/>
      <dhtable class="1" htableId="0"/>
      <dhtable class="1" htableId="1"/>
    </dht>
    <sof process="0" samplePrecision="8" numLines="0" samplesPerLine="0" numFrameComponents="3">
      <componentSpec componentId="1" HsamplingFactor="2" VsamplingFactor="2" QtableSelector="0"/>
      <componentSpec componentId="2" HsamplingFactor="1" VsamplingFactor="1" QtableSelector="1"/>
      <componentSpec componentId="3" HsamplingFactor="1" VsamplingFactor="1" QtableSelector="1"/>
    </sof>
    <sos numScanComponents="3" startSpectralSelection="0" endSpectralSelection="63" approxHigh="0" approxLow="0">
      <scanComponentSpec componentSelector="1" dcHuffTable="0" acHuffTable="0"/>
      <scanComponentSpec componentSelector="2" dcHuffTable="1" acHuffTable="1"/>
      <scanComponentSpec componentSelector="3" dcHuffTable="1" acHuffTable="1"/>
    </sos>
  </markerSequence>
</javax_imageio_jpeg_image_1.0>

我试图用谷歌搜索，但我可以通过这个日志找出 pdfbox 的含义。这是什么意思？

您可以从此链接下载一个包含此问题的示例 pdf： http://myslams.com/test/1.pdf

我什至尝试过 itext，但它正在提取 96 dpi 的图像。

我做错了吗？还是pdfbox和itext有这个限制？

Answer 1

经过一番挖掘，我找到了你的 1.pdf。因此，...

PDFBox

在 this recent answer @Tilman 的 cmets 中，您正在讨论 this older answer，其中 @Tilman 指向 PrintImageLocations PDFBox 示例。我为您的文件运行它并得到：

Processing page: 0
*******************************************************************
Found image [Im0]
position = 0.0, 0.0
size = 1704px, 888px
size = 613.44, 319.68
size = 8.52in, 4.44in
size = 216.408mm, 112.776mm

Processing page: 1
*******************************************************************
Found image [Im0]
position = 0.0, 0.0
size = 1704px, 2800px
size = 613.44, 1008.0
size = 8.52in, 14.0in
size = 216.408mm, 355.6mm

Processing page: 2
*******************************************************************
Found image [Im0]
position = 0.0, 0.0
size = 1704px, 2800px
size = 613.44, 1008.0
size = 8.52in, 14.0in
size = 216.408mm, 355.6mm

Processing page: 3
*******************************************************************
Found image [Im0]
position = 0.0, 0.0
size = 1704px, 1464px
size = 613.44, 527.04
size = 8.52in, 7.3199997in
size = 216.408mm, 185.928mm

在所有页面上，x 和 y 方向的分辨率均为 200 dpi（1704px / 8.52in = 888px / 4.44in = 2800px / 14.0in = 1464px / 7.32in = 200 dpi）。

所以 PDFBox 会为您提供所需的 dpi 值。

（@Tilman：该示例的当前 2.0.0-SNAPSHOT 版本返回完全废话；您可能需要解决此问题。）

iText

该 PDFBox 示例的简化 iText 版本如下：

public void printImageLocations(InputStream stream) throws IOException
{
    PdfReader reader = new PdfReader(stream);
    PdfReaderContentParser parser = new PdfReaderContentParser(reader);
    ImageRenderListener listener = new ImageRenderListener();

    for (int page = 1; page <= reader.getNumberOfPages(); page++)
    {
        System.out.printf("\nPage %s:\n", page);
        parser.processContent(page, listener);
    }
}

static class ImageRenderListener implements RenderListener
{
    public void beginTextBlock() { }
    public void renderText(TextRenderInfo renderInfo) { }
    public void endTextBlock() { }

    public void renderImage(ImageRenderInfo renderInfo)
    {
        try
        {
            PdfDictionary imageDict = renderInfo.getImage().getDictionary();

            float widthPx = imageDict.getAsNumber(PdfName.WIDTH).floatValue(); 
            float heightPx = imageDict.getAsNumber(PdfName.HEIGHT).floatValue();
            float widthUu = renderInfo.getImageCTM().get(Matrix.I11);
            float heigthUu = renderInfo.getImageCTM().get(Matrix.I22);

            System.out.printf("Image %.0fpx*%.0fpx, %.0fuu*%.0fuu, %.2fin*%.2fin\n", widthPx, heightPx, widthUu, heigthUu, widthUu/72, heigthUu/72);
        }
        catch (IOException e)
        {
            e.printStackTrace();
        }
    }
}

（注意：我假设图像未旋转且未倾斜。）

您的文件的结果：

Page 1:
Image 1704px*888px, 613uu*320uu, 8,52in*4,44in

Page 2:
Image 1704px*2800px, 613uu*1008uu, 8,52in*14,00in

Page 3:
Image 1704px*2800px, 613uu*1008uu, 8,52in*14,00in

Page 4:
Image 1704px*1464px, 613uu*527uu, 8,52in*7,32in

因此，一直都是 200dpi。因此，iText 也可以为您提供所需的 dpi 值。

您的代码

显然，code you referenced 没有机会报告在 PDF 上下文中合理的 dpi 值，因为它只提取资源中找到的图像，而忽略各个图像如何资源在页面上使用。

当作者在页面内容中使用图像资源时，可以以任何方式拉伸、旋转、倾斜……。

顺便说一句，dpi 值只有在作者没有倾斜且仅旋转 90° 倍数时才有意义。