java - 如何将 pdf 中的图像坐标转换为 JSONfile？

Question

我编写了创建 html 页面的代码，其中包含在 pdf 文档中提取页面的图像。

我曾尝试从 pdf 中提取图像，然后我成功地从 pdf 中提取图像并使用 PDFBox lib 将图像应用到 html 页面。但我没有在html页面中提取图像坐标。

所以搜索如何提取pdf中的图像坐标，我尝试使用PDFBox Library提取pdf中的图像坐标。

下面的代码:

public static void main(String[] args) throws Exception
{
    try
    {
        PDDocument document = PDDocument.load(
            "/Users/tmdtjq/Downloads/PDFTest/test.pdf" );

        PrintImageLocations printer = new PrintImageLocations();
        List allPages = document.getDocumentCatalog().getAllPages();
        for( int i=0; i<allPages.size(); i++ )
        {
            PDPage page = (PDPage)allPages.get( i );
            int pageNum = i+1;
            System.out.println( "Processing page: " + pageNum );
            printer.processStream( page, page.findResources(),
                page.getContents().getStream() );
        }
    }
    finally
    {
    }
}

protected void processOperator( PDFOperator operator, List arguments ) throws IOException
{
    String operation = operator.getOperation();
    if( operation.equals( "Do" ) )
    {
        COSName objectName = (COSName)arguments.get( 0 );
        Map xobjects = getResources().getXObjects();
        PDXObject xobject = xobjects.get( objectName.getName() );
        if( xobject instanceof PDXObjectImage )
        {
            try
            {
                PDXObjectImage image = (PDXObjectImage)xobject;
                PDPage page = getCurrentPage();
                Matrix ctm = getGraphicsState().getCurrentTransformationMatrix();
                double rotationInRadians =(page.findRotation() * Math.PI)/180;

                AffineTransform rotation = new AffineTransform();
                rotation.setToRotation( rotationInRadians );
                AffineTransform rotationInverse = rotation.createInverse();
                Matrix rotationInverseMatrix = new Matrix();
                rotationInverseMatrix.setFromAffineTransform( rotationInverse );
                Matrix rotationMatrix = new Matrix();
                rotationMatrix.setFromAffineTransform( rotation );

                Matrix unrotatedCTM = ctm.multiply( rotationInverseMatrix );
                float xScale = unrotatedCTM.getXScale();
                float yScale = unrotatedCTM.getYScale();
                float xPosition = unrotatedCTM.getXPosition();
                float yPosition = unrotatedCTM.getYPosition();

                System.out.println( "Found image[" + objectName.getName() + "] " +
                    "at " + xPosition + "," + yPosition +
                    " size=" + (xScale/100f*image.getWidth()) + "," + (yScale/100f*image.getHeight() ));
            }
            catch( NoninvertibleTransformException e )
            {
                throw new WrappedIOException( e );
            }
        }
    }
}

输出打印图像中的 X、Y 位置均为 0.0、0.0。

我认为是因为 getGraphicsState() 是返回图形状态的方法。

但我想获取应用于 PDF 页面高度和宽度的特定图像坐标，以便创建 html 页面。

我想这也许是从 PDF 中的图像坐标中提取 JSON 的解决方案。

请将PDF中的图像坐标引入到JSON工具或推荐PDF库。

(我已经在 FlexPaper 中使用了 pdf2json 工具。这个工具从 PDF 页面中提取的 JSON 文件不包括图像数据，而只是文本数据(内容、坐标、字体..)。)

Answer 1

我能够通过搜索 cm 运算符找到图像。我通过以下方式覆盖了 PDFTextStripper:注意:它没有考虑旋转和镜像!

public static class TextFinder extends PDFTextStripper {

    public TextFinder() throws IOException {
        super();
    }

    @Override
    protected void startPage(PDPage page) throws IOException {
        // process start of the page
        super.startPage(page);
    }

    @Override
    public void process(PDFOperator operator, List<COSBase> arguments)
            throws IOException {

        if ("cm".equals(operator.getOperation())) {
            float width = ((COSNumber)arguments.get(0)).floatValue();
            float height = ((COSNumber)arguments.get(3)).floatValue();
            float x = ((COSNumber)arguments.get(4)).floatValue();
            float y = ((COSNumber)arguments.get(5)).floatValue();
            // process image coordinates
        }
        super.processOperator(operator, arguments);
    }

    @Override
    protected void writeString(String text,
            List<TextPosition> textPositions) throws IOException {
        for (TextPosition position : textPositions) {
            // process text coordinates
        }
        super.writeString(text, textPositions);
    }
}

当然，如果对查找文本和图像不感兴趣，可以使用 PDFStreamEngine 而不是 PDFTextStripper。