我正在尝试使用 pdfbox 从 pdf 中提取图像。我从中得到了帮助post 。它对某些 pdf 有效,但对其他/大多数 pdf 无效。例如,我无法提取此 file 中的数字。
经过一些研究,我发现 PDResources.getImages 已被弃用。所以,我正在使用 PDResources.getXObjects()。这样,我无法从 PDF 中提取任何图像,而是在控制台上收到此消息:
org.apache.pdfbox.pdmodel.graphics.xobject.PDXObjectForm cannot be cast to org.apache.pdfbox.pdmodel.graphics.xobject.PDXObjectImage
现在我陷入困境,无法找到解决方案。如果有人可以的话请帮忙。
//////更新为评论回复///
我正在使用 pdfbox-1.8.10
这是代码:
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/////
我已经解决了错误消息的问题。我也在帖子中更新了正确的代码。然而,问题仍然存在。我仍然无法从一些文件中提取图像。就像我在这篇文章中提到的那样。这方面的任何解决方案。
最佳答案
原始代码的第一个问题是XObjects可以是PDXObjectImage或PDXObjectForm,因此需要检查实例。第二个问题是代码不会递归地遍历 PDXObjectForm,表单也可以拥有资源。第三个问题(仅在1.8中)是您使用了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
2.0 的代码可以在这里找到: 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,see this answer)
第四个问题是您的文件根本没有任何 XObject。所有“图形”实际上都是 vector 图,它们无法像嵌入图像一样“提取”。你所能做的就是convert the PDF pages to images ,然后标记并剪切您需要的内容。
关于java - 错误: org. apache.pdfbox.pdmodel.graphics.xobject.PDXObjectForm无法转换为org.apache.pdfbox.pdmodel.graphics.xobject.PDXObjectImage,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/34989223/