Error: org.apache.pdfbox.pdmodel.graphics.xobject.PDXObjectForm cannot be cast to org.apache.pdfbox.pdmodel.graphics.xobject.PDXObjectImage

Question

我正在尝试使用 pdfbox 从 pdf 中提取图像。我从这个 post . It worked for some of the pdfs but for others/most it did not. For example, I am not able to extract the figures in this file

中得到了帮助

经过一些研究后，我发现 PDResources.getImages 已被弃用。所以，我正在使用 PDResources.getXObjects()。有了这个，我无法从 PDF 中提取任何图像，而是在控制台收到此消息：

org.apache.pdfbox.pdmodel.graphics.xobject.PDXObjectForm cannot be cast to org.apache.pdfbox.pdmodel.graphics.xobject.PDXObjectImage

现在我卡住了，找不到解决办法。如果有人可以，请提供帮助。

//////更新评论///

我正在使用 pdfbox-1.8.10

代码如下：

public void getimg ()throws Exception {

try {
        String sourceDir = "C:/Users/admin/Desktop/pdfbox/mypdfbox/pdfbox/inputs/Yavaa.pdf";
        String destinationDir = "C:/Users/admin/Desktop/pdfbox/mypdfbox/pdfbox/outputs/";
        File oldFile = new File(sourceDir);
        if (oldFile.exists()){
              PDDocument document = PDDocument.load(sourceDir);
               List<PDPage> list =   document.getDocumentCatalog().getAllPages();
               String fileName = oldFile.getName().replace(".pdf", "_cover");
               int totalImages = 1;
               for (PDPage page : list) {
                   PDResources pdResources = page.getResources();
                   Map pageImages = pdResources.getXObjects();
                    if (pageImages != null){
                      Iterator imageIter = pageImages.keySet().iterator();
                      while (imageIter.hasNext()){
                      String key = (String) imageIter.next();
                      Object obj = pageImages.get(key);

                      if(obj instanceof PDXObjectImage) {
               PDXObjectImage pdxObjectImage = (PDXObjectImage) obj;

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

                     totalImages++;
                      }
                      }
                    }
               }
        }  else {
                    System.err.println("File not exist");
                       }  
}
catch (Exception e){

    System.err.println(e.getMessage());
 }
 }

//// 部分解决方案/////

我已经解决了报错信息的问题。我也更新了 post 中的正确代码。但是，问题仍然存在。我仍然无法从少数文件中提取图像。就像我在这篇 post 中提到的那样。在这方面的任何解决方案。

Answer 1

原代码的第一个问题是XObjects可以是PDXObjectImage或PDXObjectForm，所以需要检查实例。第二个问题是代码不会递归地遍历 PDXObjectForm，表单也可以有资源。第三个问题（仅在 1.8 中）是您使用 getResources() 而不是 findResources()，getResources() 不检查更高级别。

1.8 的代码可以在这里找到： https://svn.apache.org/viewvc/pdfbox/branches/1.8/pdfbox/src/main/java/org/apache/pdfbox/ExtractImages.java?view=markup

可在此处找到 2.0 的代码： https://svn.apache.org/viewvc/pdfbox/trunk/tools/src/main/java/org/apache/pdfbox/tools/ExtractImages.java?view=markup&sortby=date

（即使这些并不总是完美的，）

第四个问题是你的文件根本没有任何XObjects。所有 "graphics" 都是真正的矢量图，不能像嵌入图像那样 "extracted"。你所能做的就是convert the PDF pages to images，然后标记并剪切你需要的东西。