如何逐页获取具有整个文件内容的base64的PDF文件内容？

Question

我有一个 base64 格式的 PDF 文件的内容，如 JVBERi0xLjIgDSXi48/T...。

如何解析它以获取它的每一页的base64？

假设PDF文件有5页。如何获取base64中每个页面的内容？我已经 google 它但找不到任何东西。感谢任何帮助。

Answer 1

您可能想澄清您的答案。从你的措辞中看不出你是想用base64编码还是解码。

假设你想解码（因为你说你有 base64），有可用的标准库： Decode Base64 data in Java

Answer 2

一般来说，native PDF 文件的内容一页一页地分开是不可能的（当文件是 base64 编码时就不可能这样做，因为你会看到的）。

PDF 文件最一般的结构是，按以下顺序：

1. PDF header
2. PDF objects（文件body）
3. PDF 外部参照 table（table 的内容，给出每个 PDF 的文件偏移位置 object）
4. PDF 预告片

您不能假定 PDF object 在文件中的显示顺序与页面在 PDF 查看器中的显示顺序相同。

如果您提取单个页面，该页面本身需要是一个有效的 PDF 文档：包含（以相同的顺序）header、objects、外部参照和尾部，其中外部参照和trailer 需要是 re-constructed 新的，这样它们才能匹配新文档（不能简单地从原始文档复制外部参照和预告片）。

因此，您需要 de-code 完全 base64 编码文件，然后才能考虑访问生成的 PDF 的单页。

要从已使用 base64 编码的 5 页 PDF 文档中获取所有单独的 PDF 页面作为 base64，您必须执行以下步骤：

1. De-code 将完整的 base64 文件转换为有效的 5 页 PDF 文档。
2. 将 5 页 PDF 文档拆分为 5 个单独的 1 页 PDF 文档。
   ^{（为此你需要知道 "rules of the PDF game"，或者使用知道的 PDF 库）}
3. 使用 base64 对每个 1 页 PDF 文档进行编码。