java - PDFBox 未检测到页面中的图像

Question

我正在尝试检测 this 中的图像使用 PDFBox 生成 pdf 文件。该 pdf 文件有两张空白图像，一张位于左侧(“将其放入盒子中”文本下方)，另一张位于右侧(“将其粘贴在盒子外”文本下方)。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像。但是，未检测到第一张图像。问题是什么？我确信 pdf 是正确的。我创建了多次，但仍然面临同样的问题。我使用 Sketch 创建了 pdf。

谢谢。

Answer 1

简而言之

I'm able to detect the second image. However, the first image is not being detected. What is the problem?

实际上，两个页面图像使用相同的图像资源，只是拉伸(stretch)到不同的尺寸。

详细

如果您查看页面的内容流，您会在末尾看到以下内容:

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 绘制图像资源 Im1，126 拉伸(stretch)到 720 x 970，最后 4 行在位置绘制相同的图像资源 Im1 144、968 拉伸(stretch)至 512 x 128。

做什么

您仅仅查看页面资源来查找页面图像的方法是不合适的，因为

• 正如您所见，单个图像资源可以在拉伸(stretch)到不同尺寸的页面上多次使用，
• 页面上可能根本不使用图像资源(例如，某些文档具有从所有页面引用的一个大资源字典；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；你的方法根本看不到这些图像，并且
• 表单 Xobjects 或 Patterns 可能会显示在您的页面上，它们可能分别在自己的资源中包含图像；由于您只查看直接页面资源中包含的图像资源，因此您的方法也找不到它们。

PDFBox 示例 PrintImageLocations 中提供了更好的解决方案(仅对内联图像和可能有图案的图像失败)。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解析处理后的内容以绘制页面。