PDFBox：从pdf中提取图像到输入流

Question

我正在使用PDFBox从我的pdf（仅包含jpg）中提取图像。

由于我将这些图像保存在我的数据库中，我想直接将每个图像转换为输入流对象，而不将文件临时放置在我的文件系统中。然而，我面临着困难。我认为这是因为使用了image.getPDFStream().createInputStream()做，因为我在下面的例子一样：

while (imageIter.hasNext()) { 
    String key = (String) imageIter.next(); 
    PDXObjectImage image = (PDXObjectImage) images.get(key); 

    FileOutputStream output = new FileOutputStream(new File(
      "C:\\Users\\Anton\\Documents\\lol\\test.jpg")); 
    InputStream is = image.getPDStream().createInputStream(); //this gives me a corrupt file 
    byte[] buffer = new byte[1024]; 
    while (is.read(buffer) > 0) { 
     output.write(buffer); 
    } 
} 

但是这个工程：

while (iter.hasNext()) { 
    PDPage page = (PDPage) iter.next(); 
    PDResources resources = page.getResources(); 
    Map<String, PDXObject> images = resources.getXObjects(); 
     if (images != null) { 
      Iterator<?> imageIter = images.keySet().iterator(); 
      while (imageIter.hasNext()) { 
      String key = (String) imageIter.next(); 
      PDXObjectImage image = (PDXObjectImage) images.get(key); 
      image.write2file(new File("C:\\Users\\Anton\\Documents\\lol\\test.jpg")); //this works however 
     } 
    } 
} 

任何想法如何，我可以将每个PDXObjectImage（或任何其他对象我可以）到输入流？

Answer 1

在PDFBox的1.8，最简单的方法是使用write2OutputStream（），所以你的第一个代码块现在应该是这样的：

while (imageIter.hasNext()) { 
    String key = (String) imageIter.next(); 
    PDXObjectImage image = (PDXObjectImage) images.get(key); 

    FileOutputStream output = new FileOutputStream(new File(
      "C:\\Users\\Anton\\Documents\\lol\\test.jpg")); 
    image.write2OutputStream(output); 
} 

先进的解决方案，只要你真的确定你只有该显示正常，即JPEG文件没有异常的色彩空间：

while (imageIter.hasNext()) { 
    String key = (String) imageIter.next(); 
    PDXObjectImage image = (PDXObjectImage) images.get(key); 

    FileOutputStream output = new FileOutputStream(new File(
      "C:\\Users\\Anton\\Documents\\lol\\test.jpg")); 
    InputStream is = image.getPDStream().getPartiallyFilteredStream(DCT_FILTERS); 
    byte[] buffer = new byte[1024]; 
    while (is.read(buffer) > 0) { 
     output.write(buffer); 
    } 
} 

第二溶液中移除所有的过滤器除DCT（= JPEG）滤波器。一些较旧的PDF具有多个过滤器，例如ascii85和DCT。

现在，即使您使用JPEG创建图像，您也不知道您的PDF创建软件的功能。找出它是什么类型的形象，一种方法是检查它是什么类（使用的instanceof）：

- PDPixelMap => PNG 
- PDJpeg => JPEG 
- PDCcitt => TIF 

另一种方法是使用image.getSuffix（）。

Answer 2

PDXObjectImage有方法write2OutputStream(OutputStream out)从中您可以从输出流中获取任一字节数组。

检查How to convert OutputStream to InputStream?将OutputStream转换为InputStream。

Answer 3

如果您正在使用PDFBox的2.0.0或以上

PDDocument document = PDDocument.load(new File("filePath")); //filePath is the path to your .pdf 
PDFRenderer pdfRenderer = new PDFRenderer(document); 

for(int i=0; i<document.getPages().getCount(); i++){ 
    BufferedImage bim = pdfRenderer.renderImage(i, 1.0f, ImageType.RGB); //Get bufferedImage for page "i" with scale 1 
    ByteArrayOutputStream os = new ByteArrayOutputStream(); 
    ImageIO.write(bim, "jpg", os); 
    InputStream is = new ByteArrayInputStream(os.toByteArray()); 
    //Do whatever you need with the inputstream 
} 
document.close()