使用 PDFBox 2.x 计算 PDF 图像的最快方法

Question

我们偶尔会遇到一些非常大的 PDF，里面充满了整页高分辨率图像（文档扫描的结果）。例如，我有一个 1.7GB 的 PDF，其中包含 3500 多张图片。加载文档大约需要 50 秒，但计算图像大约需要 15 分钟。

我确定这是因为图像字节是作为 API 调用的一部分读取的。有没有办法在不实际读取图像字节的情况下提取图像计数？

PDFBox 版本：2.0.2

示例代码：

@Test
public void imageCountIsCorrect() throws Exception {
    PDDocument pdf = readPdf();
    try {
        assertEquals(3558, countImages(pdf));
        // assertEquals(3558, countImagesWithExtractor(pdf));
    } finally {
        if (pdf != null) {
            pdf.close();
        }
    }
}

protected PDDocument readPdf() throws IOException {
    StopWatch stopWatch = new StopWatch();
    stopWatch.start();

    FileInputStream stream = new FileInputStream("large.pdf");
    PDDocument pdf;
    try {
        pdf = PDDocument.load(stream, MemoryUsageSetting.setupMixed(1024 * 1024 * 250));
    } finally {
        stream.close();
    }

    stopWatch.stop();
    log.info("PDF loaded: time={}s", stopWatch.getTime() / 1000);
    return pdf;
}


protected int countImages(PDDocument pdf) throws IOException {
    StopWatch stopWatch = new StopWatch();
    stopWatch.start();

    int imageCount = 0;
    for (PDPage pdPage : pdf.getPages()) {
        PDResources pdResources = pdPage.getResources();
        for (COSName cosName : pdResources.getXObjectNames()) {
            PDXObject xobject = pdResources.getXObject(cosName);
            if (xobject instanceof PDImageXObject) {
                imageCount++;
                if (imageCount % 100 == 0) {
                    log.info("Found image: #" + imageCount);
                }
            }
        }
    }

    stopWatch.stop();
    log.info("Images counted: time={}s,imageCount={}", stopWatch.getTime() / 1000, imageCount);
    return imageCount;
}

如果我将 countImages 方法更改为依赖 COSName，计数将在不到 1 秒的时间内完成，但我对依赖名称的前缀有点不确定。这似乎是 pdf 编码器的副产品，而不是 PDFBox（我在他们的代码中找不到任何对它的引用）：

if (cosName.getName().startsWith("QuickPDFIm")) {
    imageCount++;
}

Answer 1

所以之前的方法还有一些额外的缺陷（可能会遗漏内联图像等）。感谢 mkl 和 Tilman Hausherr 的反馈！

TIL - PDF object streams contain useful operator codes!

我的新方法扩展了 PDFStreamEngine 并为在 PDF 内容流中找到的每个 'Do'（绘图对象）运算符增加了一个 imageCount。使用此方法，图像计数仅需数百毫秒：

public class PdfImageCounter extends PDFStreamEngine {
    protected int documentImageCount = 0;

    public int getDocumentImageCount() {
        return documentImageCount;
    }

    public PdfImageCounter() {
        addOperator(new OperatorProcessor() {
            @Override
            public void process(Operator operator, List<COSBase> arguments) throws IOException {
                if (arguments.size() < 1) {
                    throw new MissingOperandException(operator, arguments);
                }
                if (isImage(arguments.get(0))) {
                    documentImageCount++;
                }
            }

            protected Boolean isImage(COSBase base) {
                return (base instanceof COSName) &&
                        context.getResources().isImageXObject((COSName)base);
            }

            @Override
            public String getName() {
                return "Do";
            }
        });
    }
}

为每个页面调用它：

protected int countImagesWithProcessor(PDDocument pdf) throws IOException {
    StopWatch stopWatch = new StopWatch();
    stopWatch.start();

    PdfImageCounter counter = new PdfImageCounter();
    for (PDPage pdPage : pdf.getPages()) {
        counter.processPage(pdPage);
    }

    stopWatch.stop();
    int imageCount = counter.getDocumentImageCount();
    log.info("Images counted: time={}s,imageCount={}", stopWatch.getTime() / 1000, imageCount);
    return imageCount;
}

使用 PDFBox 2.x 计算 PDF 图像的最快方法

Fastest way to count PDF images using PDFBox 2.x

java

pdf

pdfbox