java - 如何逐页获取具有整个文件内容的base64的PDF文件内容？

Question

我有一个 base64 格式的 PDF 文件内容，如 JVBERi0xLjIgDSXi48/T...。

我如何解析它以获得它的每一页的base64？

假设 PDF 文件有 5 页。如何获取base64中每个页面的内容？我已经用谷歌搜索了，但找不到任何东西。感谢您的帮助。

Answer 1

通常，甚至不可能逐页分隔原生 PDF 文件的内容(如您将看到的，当文件采用 base64 编码时，就不可能这样做)。

PDF 文件的最一般结构按以下顺序排列:

1. PDF 标题
2. PDF 对象(文件主体)
3. PDF 外部参照表(目录，给出每个 PDF 对象的文件偏移位置)
4. PDF 预告片

您不能假定 PDF 对象在文件中的显示顺序与页面在 PDF 查看器中的显示顺序相同。

如果您提取单个页面，该页面本身需要是一个有效的 PDF 文档:包含(以相同的顺序)页眉、对象、外部参照和结尾，其中外部参照和结尾需要重新构建以便它们匹配新文档(不能简单地从原始文档复制外部参照和预告片)。

出于这个原因，您需要先完全对 base64 编码的文件进行解码，然后才能考虑访问生成的 PDF 的单个页面。

要从已使用 base64 编码的 5 页 PDF 文档中获取所有单独的 PDF 页面作为 base64，您必须执行以下步骤:

1. 将完整的 base64 文件解码为有效的 5 页 PDF 文档。
2. 将 5 页 PDF 文档拆分为 5 个单独的 1 页 PDF 文档。
   ^{(为此您需要了解“PDF 游戏规则”，或者使用知道的 PDF 库)}
3. 使用 base64 对每个 1 页 PDF 文档进行编码。