pdfbox和itext无法提取图像

Question

我正在尝试从pdf中提取图像。 pdfbox能够从大多数pdf中提取图像，但它们是一些pdf，其图像不会被pdfbox提取。

为了提取图像我正在使用以下代码：  Not able to extract images from PDFA1-a format document

您可以从此链接下载包含此问题的示例pdf： http://myslams.com/test/2.pdf

是他们的错误，代码可能是我忘记处理的事情，或者他们的错误与pdf一起出现了什么？

Answer 1

由于OP还没有用工作版替换他陈旧的PDF样本链接，因此问题只能用一般术语来解答。

OP引用的代码（@Tilman答案中的更正）迭代每个页面的直接图像资源并存储相应的文件。

因此，代码可能存储太多图像，因为页面的图像资源可能不一定在相关页面上使用：

1. 一方面，它可能根本没有在文件中使用，或者至少在任何地方都看不到，只是从之前的一些PDF编辑会话中遗留下来。
2. 另一方面，多个页面可能有一个共享资源字典，其中包含所有这些页面上的所有图像;在这种情况下，OP的代码会导出许多重复项。

代码可能存储太少图片，因为还有其他可放置图片的地方：

1. 图像数据可以直接包含在页面内容流中，也就是内联图像。
2. 使用从页面内容中使用的自己的资源（表单xobjects，模式，类型3字体字形）构造可以提供自己的图像资源或内联图像。
3. 注释，例如AcroForm表单字段，也可能有自己的外观流和自己的资源，因此，也可能提供自己的图像资源或内联图像。
4. XFA表单也可以提供自己的图像。

只要OP提供代表性样本文件，就可以确定他错过的图像类型，并概述特定的解决方案。

修改

根据OP的评论，他的图像提取问题已通过使用this answer到他的问题"pdfbox and itext extracting image with incorrect dpi"的信息得到解决。特别指出适用于OP sems使用的PDFBox版本1.8.8的示例代码非常重要。

因此，由于软件编排问题，也可能出现任何类型的错误输出。