使用 itextsharp 从 pdf 中提取图像时 system.drawing 出现异常

Question

我正在尝试使用 itextsharp 从 pdf 文件中提取图像

使用here 的示例 pdf 文件

我使用的代码是：-

static void Main(string[] args)
    {

        try
        {
            WriteImageFile(); // write image file
            System.Console.WriteLine(AppDomain.CurrentDomain.BaseDirectory);
            System.Console.ReadLine();
        }
        catch (Exception ex)
        {
            System.Console.WriteLine(ex.Message);
        }
    }

    private static List<System.Drawing.Image> ExtractImages(String PDFSourcePath)
    {
        List<System.Drawing.Image> ImgList = new List<System.Drawing.Image>();

        iTextSharp.text.pdf.RandomAccessFileOrArray RAFObj = null;
        iTextSharp.text.pdf.PdfReader PDFReaderObj = null;
        iTextSharp.text.pdf.PdfObject PDFObj = null;
        iTextSharp.text.pdf.PdfStream PDFStremObj = null;

        try
        {
            RAFObj = new iTextSharp.text.pdf.RandomAccessFileOrArray(PDFSourcePath);
            PDFReaderObj = new iTextSharp.text.pdf.PdfReader(RAFObj, null);
            if (PDFReaderObj.IsOpenedWithFullPermissions)
            {
                Debug.Print("this is a test");
            }

            for (int i = 0; i <= PDFReaderObj.XrefSize - 1; i++)
            {
                PDFObj = PDFReaderObj.GetPdfObject(i);

                if ((PDFObj != null) && PDFObj.IsStream())
                {
                    PDFStremObj = (iTextSharp.text.pdf.PdfStream)PDFObj;
                    iTextSharp.text.pdf.PdfObject subtype = PDFStremObj.Get(iTextSharp.text.pdf.PdfName.SUBTYPE);

                    if ((subtype != null) && subtype.ToString() == iTextSharp.text.pdf.PdfName.IMAGE.ToString())
                    {
                        byte[] bytes = iTextSharp.text.pdf.PdfReader.GetStreamBytesRaw((iTextSharp.text.pdf.PRStream)PDFStremObj);

                        if ((bytes != null))
                        {
                            try
                            {
                                System.IO.MemoryStream MS = new System.IO.MemoryStream(bytes);

                                MS.Position = 0;
                                System.Drawing.Image ImgPDF = System.Drawing.Image.FromStream(MS);

                                ImgList.Add(ImgPDF);

                            }
                            catch (Exception e)
                            {
                                Console.WriteLine  ("Exception in extract: " + e);
                            }
                        }
                    }
                }
            }
            PDFReaderObj.Close();
        }
        catch (Exception ex)
        {
            throw new Exception(ex.Message);
        }
        return ImgList;
    }


    private static void WriteImageFile()
    {
        try
        {
            System.Console.WriteLine("Wait for extracting image from PDF file....");

            // Get a List of Image
            List<System.Drawing.Image> ListImage = ExtractImages(@"C:\Users\pradyut.bhattacharya\Documents\CEVA PDF\more\CS_75.pdf");

            for (int i = 0; i < ListImage.Count; i++)
            {
                try
                {
                    // Write Image File
                    ListImage[i].Save(@"C:\Users\pradyut.bhattacharya\Documents\CEVA PDF\more\Image" + i + ".jpeg", System.Drawing.Imaging.ImageFormat.Jpeg);
                    System.Console.WriteLine("Image" + i + ".jpeg write sucessfully");
                }
                catch (Exception)
                { }
            }

        }
        catch (Exception ex)
        {
            throw new Exception(ex.Message);
        }
    }

现在在某些情况下，我可以获取图像，但对于大多数包含扫描文件的 PDF，我得到了错误：-

    A first chance exception of type 'System.ArgumentException' occurred in System.Drawing.dll
    Exception in extract: System.ArgumentException: Parameter is not valid.
       at System.Drawing.Image.FromStream(Stream stream, Boolean useEmbeddedColorManagement, Boolean validateImageData)
       at System.Drawing.Image.FromStream(Stream stream)
       at ConsoleApplication1.Program.ExtractImages(String PDFSourcePath) in C:\Users\pradyut.bhattacharya\Documents\Visual Studio 

    2010\Projects\ConsoleApplication2\ConsoleApplication2\Program.cs:line 67
    A first chance exception of type 'System.ArgumentException' occurred in System.Drawing.dll
    Exception in extract: System.ArgumentException: Parameter is not valid.
       at System.Drawing.Image.FromStream(Stream stream, Boolean useEmbeddedColorManagement, Boolean validateImageData)
       at System.Drawing.Image.FromStream(Stream stream)
       at ConsoleApplication1.Program.ExtractImages(String PDFSourcePath) in C:\Users\pradyut.bhattacharya\Documents\Visual Studio 

    2010\Projects\ConsoleApplication2\ConsoleApplication2\Program.cs:line 67

任何帮助

谢谢

Answer 1

PDF 中的图像可以以多种方式存储。您的代码将适用于 .Net 框架具有解码器的所有类型，但对于没有解码器的类型将失败。具体来说，您的代码失败了，因为该 PDF 的图像编码为 JBIG2Decode。您可以通过查看 PDFStremObj /FILTER 属性来检查这一点。

PdfObject filterType = PDFStremObj.Get(PdfName.FILTER);
if(filterType.Equals(PdfName.JBIG2DECODE)){
    //...
}

对于框架不知道的类型，不幸的是，您要么需要一个库，要么编写自己的解码器。

See this post for some other libraries that do it.Here's Wikipedia's entry 在 JBIG 上，如果你想尝试自己动手。 here's one more post 显示了一些可能还支持解码的编码器，这正是您所需要的。

Answer 2

老问题，我知道，但实际上我已经找到了一个不错的解决方案。我也很难从具有 JBig2 编码的 PDF 中提取图像。 iTextSharp 的较新版本（4.1.6 后）实际上支持它，但这些版本现在受 AGPL 许可。

使用version 1 of this library by JPedal（第2 版不是免费的），您可以将JBig2 编码图像转换为System.Drawing.Bitmap，然后根据需要保存/修改它。 然而，这个库只会解码数据，它不能编码图像成JBig2格式。

一个很小但非常次要的警告是，该库是用 Java 编写的。不过，这对于 C# 用户来说根本不是问题，这要感谢IKVM。 IKVM，如果您还不知道的话，它有一个在 .NET 中运行的完整的 java VM，并且具有 java 类库的本机 .NET 实现。设置起来非常简单，而且我在大约 2 小时前刚刚自己测试过。

从上述链接下载 IKVM 和 JBig2 jar 后，您可以执行此命令将 IKVM convert jar 转换为原生 .NET dll。

ikvmc -target:library [jbig2.jar 的路径]

这将输出一个名为 jbig2.dll 的 .NET dll 到 jar 或 ikvmc 可执行文件的同一目录中（我不记得是哪个）。然后，在您的项目中引用jbig2.dll、IKVM.OpenJDK.Core、IKVM.OpenJDK.Media、IKVM.OpenJDK.SwingAWT 和IKVM.Runtime。我使用类似于以下的代码来提取图像：

// code to iterate over PDF objects and get bytes of a valid image elided
var imageBytes = GetRawImageBytesFromPdf();

if (filterType.Equals(PdfName.JBIG2DECODE))
{
    var jbg2 = new JBIG2Decoder();

    // Some JBig2 will extract without setting the JBig2Globals
    var decodeParams = stream.GetAsDict(PdfName.DECODEPARMS);
    if(decodeParams != null)
    {
        var globalRef = decodeParams.GetAsIndirectObject(
                                        PdfName.JBIG2GLOBALS);
        if(globalRef != null)
        {
            var globals = PdfReader.GetPdfObject(globalRef);
            var globalStream = globals as PRStream;
            var globalBytes = PdfReader.GetStreamBytesRaw(globalStream);

            if (globalBytes != null)
            {
                jbg2.setGlobalData(globalBytes);
            }
        }
    }

    jbg2.decodeJBIG2(imageBytes);

    var pages = jbg2.getNumberOfPages();

    for(int p = 0; p < pages; p++)
    {
        java.awt.image.BufferedImage bufImg = jbg2.getPageAsBufferedImage(p);

        var bitmap = bufImg.getBitmap();
        bitmap.Save(@"c:\path\to\file.tif", ImageFormat.Tiff);
        // note: I am unsure about the need to free the memory of the internal
        //       bitmap used in the BufferedImage class.  The docs for IKVM and
        //       that class should probably be consulted to find out if that
        //       should be done.
    }
}
// handle other formats like CCITTFAXDECODE

它做得很好，虽然库不是最快的（这与它在 IKVM 中使用的事实无关，开发人员承认这个库的版本 1 效率低下）。我不喜欢编写/编辑 java 代码，所以如果我想自己提高速度，我想我可能会直接将它移植到 C# 代码中。然而，这个 java 代码at this github project 的另一个分支，声称速度提高了 2.5-4.5 倍。您可能可以编译该 jar 并使用 ikvmc。

希望这对仍在寻找解决此问题的方法的人有所帮助！

Answer 3

感谢您分享这个想法。

他的解决方案是我使用免费版iTextsharper 发现的最优雅的解决方案。

按照你的建议，我包含了这些库：

jbig2dec.dll (generated from promt >ikmvc jbig2dec.jar)
ICSharpCode.SharpZipLib
IKVM.Runtime
IKVM.OpenJDK.Core
IKVM.OpenJDK.Media
IKVM.OpenJDK.SwingAWT