如何使用Java（而非pdfbox）从pdf中提取图像

Question

我一直在研究如何从一个大于300MB的PDF文件中提取图像。我正在使用pdfbox，但由于某些特定原因，我无法弄清楚其中的问题，有些页面无法正确提取。

我正在使用pdfbox的PDFToImage类作为我的代码基础。

所以，你知道其他可能帮助我完成此操作的库吗？我知道可以使用iText，但我读到它不能用于商业产品。

我已经安装了xpdf和xpdf-utils包，并且名为pdfimages的实用程序运行得很完美。但我需要从Java解决这个问题，并且它应该是可移植的。

- Claudio Acciaresi

---

你可以将xpdf-utils移植到Java。 - erjiang

iText在未购买商业许可证的情况下属于GPL。 - Thorbjørn Ravn Andersen

我会尝试使用版本小于5的软件，因为我认为许可条款的更改是从版本大于等于5开始的。 - Claudio Acciaresi

那些没有正确提取出来的图片出了什么问题？ - Mark Storer

在两个特定的页面中，由不同嵌入式图像组成，每个页面的输出都是错误的...很难描述...不同的嵌入式图像是字母，最终页面之间有像字母之间的空洞。 - Claudio Acciaresi

Answer 1

我认为你在谈论两件不同的事情：从PDF提取图像和将PDF页面转换为图像。 PDFToImage 将输出每个页面的一个图像，而pdfimages则提取所有嵌入的图像（例如文本文档没有图像）。请查看org.apache.pdfbox.tools.ExtractImages (源代码)，看看它是否符合您的要求。

- erjiang

---

是的，你说得对，我正在尝试将PDF页面转换为图像，而不是提取所有嵌入的图像。问题在于，在这种特殊情况下，我使用的PDF每页只有一张图片。抱歉造成了误解。我也尝试了ExtractImages，但没有成功。 - Claudio Acciaresi

我最终使用了pdfbox，问题在于pdfbox无法正确提取带有未识别字体或CMYK色彩空间的PDF图像。对于没有这些问题的PDF，该库运行良好。 - Claudio Acciaresi

Answer 2

最有可能的原因是处理300 Mb的PDF时内存不足。如果对于较小的PDF文件可以正常工作，那么应该仔细检查为什么会失败。

- Thorbjørn Ravn Andersen

Answer 3

你尝试过 icepdf 或者 JPedal 吗？它们都是纯Java的。

- mark stephens

---

不，我没有。我可以在商业产品中使用它们中的任何一个吗？ - Claudio Acciaresi

它们都有LGPL和商业版本。您可以在商业产品中使用任何一个。 - mark stephens

我已经测试了Icepdf，页面可以正确提取，但现在出现了字体问题:(。我正在使用这个作为指南：http://wiki.icefaces.org/display/PDF/Converting+PDF+Page+Renderings - Claudio Acciaresi