c# - iTextSharp : Split pages size equals file size

Question

以下是我拆分大型 PDF (144 mb) 的方法:

public int SplitAndSave(string inputPath, string outputPath)
{
    FileInfo file = new FileInfo(inputPath);
    string name = file.Name.Substring(0, file.Name.LastIndexOf("."));

    using (PdfReader reader = new PdfReader(inputPath))
    {
        for (int pagenumber = 1; pagenumber <= reader.NumberOfPages; pagenumber++)
        {
            string filename = pagenumber.ToString() + ".pdf";

            Document document = new Document();
            PdfCopy copy = new PdfCopy(document, new FileStream(outputPath + "\\" + filename, FileMode.Create));

            document.Open();

            copy.AddPage(copy.GetImportedPage(reader, pagenumber));

            document.Close();
        }
        return reader.NumberOfPages;
    }
}

对于大多数 PDF(小尺寸，我猜是旧格式)，一切正常。但是对于更大的页面(可能正在使用类似 refstreams 的东西来更好地压缩)，拆分页面作为一页打开，但其大小等于原始 PDF 的大小。我能做什么？

Answer 1

以您的文件为例Top_Gear_Magazine_2012_09.pdf原因确实是我提到的那个:所有页面都将对象2 0 R作为它们的/Resources，而2 0 obj中的字典依次引用 PDF 中的所有图像。

要将该文档拆分为只包含所需图像的部分文档，您应该预处理文档，首先找出哪些图像属于哪些页面，然后为所有页面创建单独的 /Resources 字典。

由于您已经在此上下文中使用了 iText，因此您还可以使用它来找出哪些页面需要哪些图像。使用 iText parser 包，使用 RenderListener 实现逐页解析 PDF，其 RenderImage 方法简单地记住哪些图像对象被用于当前页面。 (作为一个特殊的变化，iText 隐藏了相关图像 XObject 的名称；不过，您获得了间接对象，并且可以查询它的对象和世代号，这足以进行下一步。)

在第二步中，您在 PdfStamper 中打开文档并遍历页面。对于每个页面，您检索 /Resources 字典并复制它，但只复制引用其中一个图像对象的 XObjects 引用，您在第一步中为相应页面记住了这些图像对象的对象编号和生成。最后，您将缩小的副本设置为相关页面的 /Resources 字典。

生成的 PDF 应该分割得很好。

PS iText 邮件列表最近出现了一个非常相似的问题。 In that thread the solution recipe given here has been improved ，为了解决 iText 隐藏 xobject 名称造成的困难，我现在建议在名称丢失之前进行干预，方法是对“Do”使用不同的 ContentOperator，这里是 Java 版本:

class Do implements ContentOperator 
{ 
    public void invoke(PdfContentStreamProcessor processor, PdfLiteral operator, ArrayList<PdfObject> operands) throws IOException 
    { 
        PdfName xobjectName = (PdfName)operands.get(0); 
        names.add(xobjectName); 
    } 

    final List<PdfName> names = new ArrayList<PdfName>(); 
} 

此内容运算符仅收集使用的 xobject 的名称，即为给定页面保留的 xobject 资源。