无法从PDFA1-a格式文档中提取图像

Question

我使用以下代码从PDFA1格式的pdf中提取图像，但我无法获得图像。

List<PDPage> list = document.getDocumentCatalog().getAllPages();

String fileName = oldFile.getName().replace(".pdf", "_cover");
int totalImages = 1;
for (PDPage page : list) {

    PDResources pdResources = page.findResources();

    Map pageImages = pdResources.getImages();
    if (pageImages != null) {
        InputStream xmlInputStream = null;
        Iterator imageIter = pageImages.keySet().iterator();
        while (imageIter.hasNext()) {
            String key = (String) imageIter.next();
            PDXObjectImage pdxObjectImage = (PDXObjectImage) pageImages.get(key);

            System.out.println(convertStreamToString(xmlInputStream));
            System.out.println(pdxObjectImage.hashCode());
            System.out.println(pdxObjectImage.getColorSpace().getJavaColorSpace().isCS_sRGB());

            pdxObjectImage.write2file(destinationDir + fileName+ "_" + totalImages);
            totalImages++;

            break;
        }
    }
}

我能够使用上述代码提取非标准PDF的图像，但无法提取PDFA1-a格式PDF的图像。似乎是这样的

PDResources pdResources = page.findResources(); 

没有返回我甚至尝试过的图像页面。getResources（），但仍然无法获取任何图像。我甚至尝试过使用itext，但它仍然没有给我任何图像。

如果我尝试使用以下代码将PDF页面转换为图像

BufferedImage bufferedImage = page.convertToImage();
File outputfile = new File(destinationDir+"image1.JPEG");
ImageIO.write(bufferedImage, "JPEG", outputfile);

这些图像似乎没有与之关联的元数据，因此我仍然无法知道它们的dpi，或者它们是彩色还是灰度。

目前我正在使用PDFBox来做这件事。我已经花了2天的时间在谷歌上搜索，但我仍然没有找到任何代码或留档这样做。

如何在java中做到这一点？？

是否可以在不提取图像的情况下获取DPI或pdf是彩色还是黑白？？

Answer 1

您的问题是两个问题的组合：

1） “中断；”。您的文件有两个图像。第一个是透明的，灰色的，或者其他的，JPEG编码的，但是它不是你想要的。第二个是您想要的，但在第一个映像之后中断。我刚把你的一段代码改成：

while (imageIter.hasNext())
{
     String key = (String) imageIter.next();
     PDXObjectImage pdxObjectImage = (PDXObjectImage) pageImages.get(key);
     System.out.println(totalImages);
     pdxObjectImage.write2file("C:\\SOMEPATH\\" + fileName + "_" + totalImages);
     totalImages++;

     //break;
 }

2） 您的第二个图像（有趣的一个）是JBIG2编码的。要解码这一点，您需要将levigo插件添加到您的类路径中，如本文所述。如果不这样做，您将在1.8.8中收到此消息，除非您禁用了日志记录：

ERROR [main] org.apache.pdfbox.filter.JBIG2Filter:69 - Can't find an ImageIO plugin to decode the JBIG2 encoded datastream.

（您没有收到该错误消息，因为它是第二条JBIG2编码的错误消息）

三个奖励提示：

3） 如果您自己创建了此图像，例如在复印机上，了解如何在不使用JBIG2压缩的情况下获取PDF图像，这有点冒险。

4） 不要使用PDR资源。getImages（），不推荐使用getImages调用。相反，请使用getXObjects（），然后检查html" target="_blank">迭代时得到的类型。

 Iterator imageIter = pageImages.keySet().iterator();
 while (imageIter.hasNext())
 {
     String key = (String) imageIter.next();
     Object o = pageImages.get(key);
     if (o instanceof PDXObjectImage)
     {
         PDXObjectImage pdxObjectImage = (PDXObjectImage) o;

         // do stuff
     }
 }

5）使用Foreach循环。

如果还不明显的话：这与PDF/A无关：-）

6）我忘了你还问过如何查看它是否是一个b/w图像，这里有一些我在评论中提到的简单代码（未优化）：

BufferedImage bim = pdxObjectImage.getRGBImage();

boolean bwImage = true;

int w = bim.getWidth();
int h = bim.getHeight();
for (int y = 0; y < h; y++)
{
    for (int x = 0; x < w; x++)
    {
        Color c = new Color(bim.getRGB(x, y));
        int red = c.getRed();
        int green = c.getGreen();
        int blue = c.getBlue();
        if (red == 0 && green == 0 && blue == 0)
        {
            continue;
        }
        if (red == 255 && green == 255 && blue == 255)
        {
            continue;
        }
        bwImage = false;
        break;
    }
    if (!bwImage)
        break;
}
System.out.println(bwImage);