从PDF中提取的图像是水平分段的

Question

我必须从包含技术图纸的公司PDF文件中提取图像.PDF文件符合PDF/A格式.

我正在使用Apache的pdfbox方法,我从这个问题中学到了这个方法.

/**
 * 
 * @param filename pdf file
 * @param res folder, where images are extracted
 * @throws IOException
 * @throws DocumentException
 */
public class ExtractImages {

    public static void extractImages(String filename, String res)
            throws IOException, DocumentException {
        int pageNo = 0;

        PDDocument document = null;
        document = PDDocument.load(filename);
        List<PDPage> pages = document.getDocumentCatalog().getAllPages();
        Iterator<PDPage> iter = pages.iterator();

        while (iter.hasNext()) {
            pageNo++;
            PDPage page = iter.next();
            PDResources resources = page.getResources();
            Map<String, PDXObjectImage> pageImages = resources.getImages();
            if (pageImages != null) {
                Iterator<String> imageIter = pageImages.keySet().iterator();
                while (imageIter.hasNext()) {
                    String key = (String) imageIter.next();
                    PDXObjectImage image = (PDXObjectImage) pageImages.get(key);
                    image.write2file(res + "_page_" + pageNo + "_" +     key);  
                }
            }
        }
        if (document != null)
            document.close();
    }
}

我现在的问题是,对于某些文件,提取的图像在最多3个切片中水平分段.由于我不想手动将它们拼接在一起,如果有人有一些建议,我会很高兴.

编辑 - 方法1

我想到的一个解决方案是为每个图像创建文件夹,然后将所有片段放在相应的文件夹中,迭代文件夹并合并内容.这需要我的一些分类工作,但我认为它可以工作.

String key = (String) imageIter.next();

返回Im < number >,number表示每页图像的顺序.因此文件夹中的片段已经处于订单状态,合并程序可以很容易地找出哪个部分位于顶部,等等.

编辑 - 方法2

我能想到的另一种方法是:片段在该模式中的文件名中有顺序pdfname_page_[\d]_Im[\d][\.][tiff|png].因此,我可以对与该顺序对应的图像进行排序,然后合并具有相同宽度的行中的所有片段.我检查了那些碎片,看起来几乎所有的图像都有不同的尺寸.

你对这些方法怎么说？

EDIT3

由于我们没时间用完了,我的同事和我不得不手工提取图像.我仍然感兴趣,但我必须在空闲时间解决这个问题.

Answer 1

提取的图像被分成 3 个切片，因为嵌入的图像也是如此。这很可能是 PDF 生成软件自动执行的操作。（InDesign 文档设计者故意这样做的情况非常罕见。）

因此，没有可靠的方法可以用来自动将片段缝合在一起。

您可以尝试以下方法 - 但前提是您有可用的 Adob​​e Acrobat（专业版？）版本：

• 使用内置的“PDF 优化器”。
• 在“删除对象”面板中，激活“检测图像片段并合并它们”选项。

（抱歉，上面的菜单和 UI 条目是我根据德语 Acrobat Pro 安装的记忆翻译的，因此它们肯定与英语 UI 不完全匹配。）

然而，根据我的经验，这种方法的工作效果不是很可靠。在大多数 PDF 中的图像碎片情况下，它根本不起作用。:-(