PDFBox未检测到页面中的图像

Question

我正在尝试使用 PDFBox 检测 this pdf 中的图像。 pdf 有两个空白图像，一个在左侧（在文本“把这个放在盒子里”下面），另一个在右边（在文本“把这个放在盒子外面”下面）。这是我用来检测图像的代码：

PDPage page = (PDPage) catalog.getAllPages().get(0);
PDStream contents = page.getContents();
PDFStreamParser parser = new PDFStreamParser(contents.getStream());
parser.parse();
List<Object> tokens = parser.getTokens();

PDResources resources = page.getResources();
Map<String, PDXObjectImage> images = resources.getImages();
if(null != images){
        Iterator<String> it = images.keySet().iterator();
        while(it.hasNext()){
            String key = it.next();
            System.out.println("Key >>>>>>>>>>>>>> "+key);
        }
}

我能够检测到第二张图片。但是，没有检测到第一张图像。问题是什么？我确定pdf是正确的。我多次创建它，但我仍然面临同样的问题。我使用 Sketch 创建了 pdf。

谢谢。

Answer 1

总之

我能够检测到第二张图片。但是，没有检测到第一张图像。有什么问题？

实际上两个页面图像使用相同的图像资源，只是拉伸到不同的尺寸。

详细说明

如果您查看页面的内容流，您会在最后看到：

q
720 0 0 970 832 126 cm
/Im1 Do
Q
q
512 0 0 128 144 968 cm
/Im1 Do
Q

前四行在位置 832 处绘制图像资源 Im1，126 拉伸到 720 x 970，最后四行在位置处绘制相同的图像资源 Im1 144、968 拉伸到 512 x 128。

做什么

您仅查看页面资源以查找页面图像的方法是不合适的，因为

• 正如您所见，单个图像资源可能会在拉伸到不同尺寸的页面上多次使用，
• 一个页面上可能根本不使用图像资源（例如，某些文档有一个从所有页面引用的大型资源字典；对于给定页面，可能不会使用许多资源），
• 图像可以内联到内容流中；您的方法根本看不到这些图像，并且
• form Xobjects 或 patterns 可能会显示在您的页面上，它们可能在各自的资源中分别有图像；由于您只查看直接页面资源中包含的图像资源，因此您的方法也不会找到它们。

PDFBox 示例PrintImageLocations 中提供了更好的解决方案（仅对内联和可能带有图案的图像失败），您的文件的输出是

*******************************************************************
Found image [Im1]
position = 832.0, 128.0
size = 360px, 462px
size = 720.0, 970.0
size = 10.0in, 13.472222in
size = 254.0mm, 342.19446mm

*******************************************************************
Found image [Im1]
position = 144.0, 128.0
size = 360px, 462px
size = 512.0, 128.0
size = 7.111111in, 1.7777778in
size = 180.62222mm, 45.155556mm

此示例使用 PDFBox PDFStreamEngine 来解析处理的内容以绘制页面。