java - PDFBox:从 ​​pdf 中提取图像到输入流

Question

我正在使用 PDFBox 从我的 pdf(仅包含 jpg)中提取图像。

因为我会将这些图像保存在我的数据库中，所以我想先将每个图像直接转换为输入流对象，而不是将文件临时放置在我的文件系统中。但是，我在这方面遇到了困难。我认为它必须这样做，因为我在以下示例中使用了 image.getPDFStream().createInputStream():

while (imageIter.hasNext()) {
    String key = (String) imageIter.next();
    PDXObjectImage image = (PDXObjectImage) images.get(key);

    FileOutputStream output = new FileOutputStream(new File(
            "C:\\Users\\Anton\\Documents\\lol\\test.jpg"));
    InputStream is = image.getPDStream().createInputStream(); //this gives me a corrupt file
    byte[] buffer = new byte[1024];
    while (is.read(buffer) > 0) {
        output.write(buffer);
    }
}

然而这是可行的:

while (iter.hasNext()) {
    PDPage page = (PDPage) iter.next();
    PDResources resources = page.getResources();
    Map<String, PDXObject> images = resources.getXObjects();
        if (images != null) {
            Iterator<?> imageIter = images.keySet().iterator();
            while (imageIter.hasNext()) {
            String key = (String) imageIter.next();
            PDXObjectImage image = (PDXObjectImage) images.get(key);
            image.write2file(new File("C:\\Users\\Anton\\Documents\\lol\\test.jpg")); //this works however
        }
    }
}

知道如何将每个 PDXObjectImage(或我可以获得的任何其他对象)转换为输入流吗？

Answer 1

在 PDFBox 1.8 中，最简单的方法是使用 write2OutputStream()，因此您的第一个代码块现在看起来像这样:

while (imageIter.hasNext()) {
    String key = (String) imageIter.next();
    PDXObjectImage image = (PDXObjectImage) images.get(key);

    FileOutputStream output = new FileOutputStream(new File(
            "C:\\Users\\Anton\\Documents\\lol\\test.jpg"));
    image.write2OutputStream(output);
}

高级解决方案，只要您确定只有 JPEG 可以正确显示，即没有不寻常的色彩空间:

while (imageIter.hasNext()) {
    String key = (String) imageIter.next();
    PDXObjectImage image = (PDXObjectImage) images.get(key);

    FileOutputStream output = new FileOutputStream(new File(
            "C:\\Users\\Anton\\Documents\\lol\\test.jpg"));
    InputStream is = image.getPDStream().getPartiallyFilteredStream(DCT_FILTERS);
    byte[] buffer = new byte[1024];
    while (is.read(buffer) > 0) {
        output.write(buffer);
    }
}

第二种解决方案删除除 DCT (= JPEG) 滤镜之外的所有滤镜。一些较旧的 PDF 有多个过滤器，例如ascii85 和 DCT。

现在即使您使用 JPEG 创建图像，您也不知道您的 PDF 创建软件做了什么。找出它是什么类型的图像的一种方法是检查它是什么类(使用 instanceof):

- PDPixelMap => PNG
- PDJpeg => JPEG
- PDCcitt => TIF

另一种方法是使用 image.getSuffix()。