使用 Itext 将 Pdf 页面转换为字节数组

Question

我的问题

我正在寻找一种方法将单个 pdf 页面转换为 byte[]（如每个 pdf 页面一个 byte[]），以便我可以将它们转换为 BufferedImage[] .

这样一来，所有的转换都在内存中完成，而不是制作临时文件，从而使转换更快、更简洁。稍后我也可以使用字节数组进行服务调用。如果我能让图书馆只使用 itext 就好了，但是，如果没有任何其他方式，我对其他图书馆开放。

我现在拥有的

这是我目前拥有的代码

public static BufferedImage toBufferedImage(byte[] input) throws IOException {
    InputStream in = new ByteArrayInputStream(input);
    BufferedImage bimg = ImageIO.read(in);
    return bimg;
}

public static BufferedImage[] extract(final String fileName) throws IOException {
    PdfReader reader = new PdfReader(fileName);
    int pageNum = reader.getNumberOfPages();
    BufferedImage[] imgArray = new BufferedImage[pageNum];

    for (int page = 0; page < pageNum; page++) {
        //TODO: You may need to decode the bytearray first?
        imgArray[page] = toBufferedImage(reader.getPageContent(pageNum)); 
    }

    reader.close();
    return imgArray;
}

public static void convert() throws IOException {
    String fileName = getProps("file_in");
        BufferedImage[] bim = extract(fileName);
        // close streams; Closed implicitily by try-with-resources

}

这是我目前检查过的链接列表（非代表性）。

Useful, but not quite what I want

Uses a different library

Answer 1

我做了一些挖掘并提出了一个解决方案！希望其他人在需要时能找到它，并尽可能提供帮助。干杯！

扩展 RenderListener Class

我环顾四周，发现 this. 查看代码和 classes，我发现 PdfImageObjects 有一个 getBufferedImage()，这正是我要找的。现在不需要转换为 byte[]，这是我最初认为我必须要做的。使用给定的示例代码，我想出了这个 class:

public class MyImageRenderListener implements RenderListener {

protected String path = "";
protected ArrayList<BufferedImage> bimg = new ArrayList<>();

/**
 * Creates a RenderListener that will look for images.
 */
public MyImageRenderListener(String path) {
    this.path = path;
}

public ArrayList<BufferedImage> getBimgArray() {
    return bimg;
}

/**
 * @see com.itextpdf.text.pdf.parser.RenderListener#renderImage(
 * com.itextpdf.text.pdf.parser.ImageRenderInfo)
 */
public void renderImage(ImageRenderInfo renderInfo) {
    try {

        PdfImageObject image = renderInfo.getImage();

        if (image == null) {
            return;
        }
        bimg.add(image.getBufferedImage());

    } catch (IOException e) {
        System.out.println(e.getMessage());
    }
}

与上面的 link 相比，此处需要注意的重要变化是添加了一个新字段 ArrayList<BufferedImage> bimg、该字段的 getter 以及 renderImage()函数。

我还更改了我项目的另一个 class 中的一些方法：

将 PDF 分流到 BufferedImage 的代码[]

// Credit to Mihai. Code found here: 
public static ArrayList<BufferedImage> getBufImgArr(final String BasePath) throws IOException {

    PdfReader reader = new PdfReader(BasePath);
    PdfReaderContentParser parser = new PdfReaderContentParser(reader);
    MyImageRenderListener listener = new MyImageRenderListener(BasePath + "extract/image%s.%s");

    for (int page = 1; page <= reader.getNumberOfPages(); page++) {
        parser.processContent(page, listener);
    }

    reader.close();
    return listener.getBimgArray();

}

将 BufferedImage[] 转换为多页 Tiff 的代码

public static void convert(String fin) throws FileNotFoundException, IOException {

    ArrayList<BufferedImage> bimgArrL = getBufImgArr(fin);
    BufferedImage[] bim = new BufferedImage[bimgArrL.size()];
    bimgArrL.toArray(bim);

    try (RandomAccessOutputStream rout = new FileCacheRandomAccessOutputStream(
        new FileOutputStream("/path/you/want/result/to/go.tiff"))) {

        // The options for the tiff file are set here. 
        // **THIS BLOCK USES THE ICAFE LIBRARY TO CONVERT TO MULTIPAGE-TIFF**
        // ICAFE: https://github.com/dragon66/icafe
        ImageParam.ImageParamBuilder builder = ImageParam.getBuilder();
        TIFFOptions tiffOptions = new TIFFOptions();
        tiffOptions.setApplyPredictor(true);
        tiffOptions.setTiffCompression(Compression.CCITTFAX4);
        tiffOptions.setDeflateCompressionLevel(0);
        builder.imageOptions(tiffOptions);
        TIFFTweaker.writeMultipageTIFF(rout, bim);
        // I found this block of code here: https://github.com/dragon66/icafe/wiki
        // About 3/4 of the way down the page

    }
}

开始整个过程​​：

public static void main(String[] args){
    convert("/path/to/pdf/image.pdf");
}

重要提示：

您可能会注意到 listener.renderImage() 从未在我的代码中显式调用。似乎 renderImage() 是一个辅助函数，在将侦听器对象传递到解析器对象时在其他地方调用。这发生在 getBufImgArr(param) 方法中。

正如@mkl 在下面的评论中指出的那样，代码正在提取 pdf 页面中的所有图像，因为 pdf 页面本身并不是图像。如果您 运行 此代码位于使用 OCR 扫描的 pdf 或具有多层的 pdf 上，则可能会出现问题。在这种情况下，当您（可能）希望它们一起留在一个页面上时，您会将单个 pdf 页面中的多个图像转换为多个 tiff 图像。

我找到的好资源：

Programcreek search for PdfReaderContentParser