无法从PDFA1 1-格式文档中提取图像

Question

我使用以下代码从pdf中提取图像，这是PDFA1 1格式，但我无法获得图像。

List<PDPage> list = document.getDocumentCatalog().getAllPages();

String fileName = oldFile.getName().replace(".pdf", "_cover");
int totalImages = 1;
for (PDPage page : list) {

    PDResources pdResources = page.findResources();

    Map pageImages = pdResources.getImages();
    if (pageImages != null) {
        InputStream xmlInputStream = null;
        Iterator imageIter = pageImages.keySet().iterator();
        while (imageIter.hasNext()) {
            String key = (String) imageIter.next();
            PDXObjectImage pdxObjectImage = (PDXObjectImage) pageImages.get(key);

            System.out.println(convertStreamToString(xmlInputStream));
            System.out.println(pdxObjectImage.hashCode());
            System.out.println(pdxObjectImage.getColorSpace().getJavaColorSpace().isCS_sRGB());

            pdxObjectImage.write2file(destinationDir + fileName+ "_" + totalImages);
            totalImages++;

            break;
        }
    }
}

我能够使用上述代码提取非正常pdfs的图像，但不能为PDFA1 1(一种格式PDFs )提取图像。似乎是下面这一行

PDResources pdResources = page.findResources(); 

我甚至没有返回图像，我甚至尝试过page.getResources()，但仍然没有得到任何图像，我甚至尝试使用itext，但它仍然没有给我任何图像。

如果我尝试使用以下代码将PDF页面转换为图像

BufferedImage bufferedImage = page.convertToImage();
File outputfile = new File(destinationDir+"image1.JPEG");
ImageIO.write(bufferedImage, "JPEG", outputfile);

这些图像似乎没有与它们相关的元数据，所以我仍然无法知道它们的dpi，或者它们是彩色的还是灰色的。

目前我正在使用PDFBox进行搜索，我已经在谷歌上搜索了2天了，但我仍然没有找到任何代码或文档。

如何在java中做到这一点?？

如果不提取图像，可以得到DPI或者pdf是彩色的还是黑白的？

Answer 1

你的问题是两个问题的组合：

1)“休息”；你的文件有两个图像。第一个是透明的，灰色的，或者其他什么的，JPEG编码的，但不是你想要的。第二个是您想要的，但中断在第一个映像之后中止。所以我把你的代码段改为：

while (imageIter.hasNext())
{
     String key = (String) imageIter.next();
     PDXObjectImage pdxObjectImage = (PDXObjectImage) pageImages.get(key);
     System.out.println(totalImages);
     pdxObjectImage.write2file("C:\\SOMEPATH\\" + fileName + "_" + totalImages);
     totalImages++;

     //break;
 }

2)第二个图像(有趣的)是JBIG2编码的。要对此进行解码，您需要添加levigo插件您的类路径，正如前面提到的这里。如果不这样做，除非禁用日志记录，否则将在1.8.8中得到此消息：

ERROR [main] org.apache.pdfbox.filter.JBIG2Filter:69 - Can't find an ImageIO plugin to decode the JBIG2 encoded datastream.

(您没有收到该错误消息，因为这是第二个被JBIG2编码的错误消息)

有三个额外的提示：

3)如果您自己创建了这个图像，例如在复印机上，找出如何获得不需要JBIG2压缩的PDF图像，它就是有点冒险。

4)不要使用pdResources.getImages()，不推荐使用getImages调用。相反，使用getXObjects()，然后检查迭代时得到的信息的类型。

 Iterator imageIter = pageImages.keySet().iterator();
 while (imageIter.hasNext())
 {
     String key = (String) imageIter.next();
     Object o = pageImages.get(key);
     if (o instanceof PDXObjectImage)
     {
         PDXObjectImage pdxObjectImage = (PDXObjectImage) o;

         // do stuff
     }
 }

( 5)使用前级循环。

如果这还不是显而易见的话:这与PDF/A :-)

6)我忘了您还问过如何查看它是否是b/w映像，下面是我在注释中提到的一些简单代码(不是优化的)：

BufferedImage bim = pdxObjectImage.getRGBImage();

boolean bwImage = true;

int w = bim.getWidth();
int h = bim.getHeight();
for (int y = 0; y < h; y++)
{
    for (int x = 0; x < w; x++)
    {
        Color c = new Color(bim.getRGB(x, y));
        int red = c.getRed();
        int green = c.getGreen();
        int blue = c.getBlue();
        if (red == 0 && green == 0 && blue == 0)
        {
            continue;
        }
        if (red == 255 && green == 255 && blue == 255)
        {
            continue;
        }
        bwImage = false;
        break;
    }
    if (!bwImage)
        break;
}
System.out.println(bwImage);