从 PDF 中提取的图像水平碎片化

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 的方法，这是我从 question 中学到的。

/**
 * 
 * @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，提取的图像被水平分割为最多 3 个切片。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，遍历文件夹并合并内容。这需要我做一些分类工作，但我认为它可以工作。

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

返回 Imnumber>，number 表示每页图像的顺序。所以文件夹中的片段已经是有序的，合并程序可以很容易地找出哪个部分在上面，等等。

编辑 - 方法 2

我能想到的另一种方法：片段在它们的文件名中以这种模式排序 pdfname_page_[\d]_Im[\d][\.][tiff|png]。所以我可以对与该顺序对应的图像进行排序，然后将所有具有相同宽度的片段合并到一行中。 我检查了这些片段，似乎几乎所有图像都有不同的尺寸。

您对这些方法有什么看法？

EDIT3

由于时间不够用，我和我的同事不得不手动提取图像。我仍然有兴趣，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。这是 PDF 生成软件最有可能自动执行的操作。 （比方说，InDesign 文档设计者故意这样做是非常罕见的。）

因此，没有可靠的方法可用于自动将片段拼接在一起。

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

• 使用内置的“PDF Optimizer”。
• 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 条目是我根据德国 Acrobat Pro 安装的记忆翻译的，因此它们肯定与英文 UI 不完全匹配。）

但是，根据我的经验，这种方法不会非常可靠地工作。在 PDF 中的大多数图像碎片情况下，它根本不起作用。 :-(