在现代开发中，PDF 文件的操作是不可避免的一部分。无论是生成报告、解析文档，还是从文件中提取信息，我们常常需要处理 PDF 文件。iText 是一个非常强大的库，广泛应用于 PDF 文件的创建、修改和解析。自 iText 7 发布以来，它的架构、性能和功能有了巨大的提升。本文将深入介绍 iText 7 的使用，特别是如何利用它从 PDF 文档中提取文本和图像，帮助开发者高效地进行 PDF 文件的处理。
iText 7 简介
iText 7 是 iText 库的最新版本，相比于其前身 iText 5，它不仅提供了更多强大的功能，还改进了 API 设计，并引入了模块化结构，使开发者可以根据需要选择所需的功能模块。iText 7 支持更多的 PDF 操作，例如生成 PDF/A、PDF/UA（无障碍 PDF）、数字签名、表单处理等，并且在性能、图形渲染等方面得到了显著优化。
作为一个开源项目，iText 7 采用 AGPL 许可证，如果用于商业项目，则需要购买商业许可证。今天，我们将重点介绍 iText 7 中如何提取 PDF 文件中的文本内容和嵌入的图像。
为什么选择 iText 7？
- 模块化设计：iText 7 将功能模块化，开发者可以根据项目需要选择不同的模块，避免不必要的依赖。
- 强大的文本和图像处理：iText 7 提供了丰富的 API，能够轻松提取文本、图像和其他 PDF 内容。
- 性能优化：iText 7 在内存管理和多线程支持上做了优化，可以高效处理大型 PDF 文档。
- 现代化的 API：iText 7 使用更为现代化的设计，提供了更强的扩展性和灵活性。
使用 iText 7 提取 PDF 中的文本和图像
在 iText 7 中，提取 PDF 文档的内容（包括文本和图像）是一个常见的操作。通过结合 PdfTextExtractor 类和 PdfCanvasProcessor 类，开发者可以很方便地提取 PDF 页面的文本和图像。
核心 API 介绍
- PdfReader：用于读取 PDF 文件。
- PdfDocument：表示一个 PDF 文档，提供对文档内容的访问。
- PdfTextExtractor：用于从 PDF 页面中提取文本。
- PdfCanvasProcessor：用于处理 PDF 页面中的图像、文本或其他元素。
- ImageRenderInfo：包含关于图像的详细信息，可以获取图像的字节数据。
- IEventListener：事件监听器，用于在 PDF 页面中处理各种事件，特别是图像渲染事件。
示例代码
以下示例展示了如何使用 iText 7 提取 PDF 文档中的文本和图像，并将图像保存为文件。
import com.itextpdf.kernel.pdf.PdfDocument;
import com.itextpdf.kernel.pdf.PdfReader;
import com.itextpdf.kernel.pdf.canvas.parser.EventType;
import com.itextpdf.kernel.pdf.canvas.parser.PdfCanvasProcessor;
import com.itextpdf.kernel.pdf.canvas.parser.PdfTextExtractor;
import com.itextpdf.kernel.pdf.canvas.parser.data.IEventData;
import com.itextpdf.kernel.pdf.canvas.parser.data.ImageRenderInfo;
import com.itextpdf.kernel.pdf.canvas.parser.listener.IEventListener;
import com.itextpdf.kernel.pdf.canvas.parser.listener.ITextExtractionStrategy;
import com.itextpdf.kernel.pdf.canvas.parser.listener.SimpleTextExtractionStrategy;
import com.itextpdf.kernel.pdf.xobject.PdfImageXObject;import java.io.FileOutputStream;
import java.io.IOException;
import java.util.Set;public class IText7Example {private static void readTextAndImage(String filePath) {try {// 使用 iText 7 的 PdfReader 打开 PDF 文件PdfDocument pdfDoc = new PdfDocument(new PdfReader(filePath));// 获取 PDF 页数int numberOfPages = pdfDoc.getNumberOfPages();// 遍历每一页，提取文本for (int i = 1; i <= numberOfPages; i++) {// 创建文本提取策略ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();// 提取当前页面的文本String pageContent = PdfTextExtractor.getTextFromPage(pdfDoc.getPage(i), strategy);// 输出当前页的内容System.out.println("Page " + i + " Content: \n" + pageContent + "\n");// 使用 PdfCanvasProcessor 处理页面内容，提取图像PdfCanvasProcessor processor = new PdfCanvasProcessor(new ImageExtractionListener(i));processor.processPageContent(pdfDoc.getPage(i));}// 关闭 PDF 文档pdfDoc.close();} catch (IOException e) {e.printStackTrace();}}// 定义一个监听器，用于提取图像static class ImageExtractionListener implements IEventListener {private final int pageNum;public ImageExtractionListener(int pageNum) {this.pageNum = pageNum;}@Overridepublic void eventOccurred(IEventData eventData, EventType eventType) {if (eventType == EventType.RENDER_IMAGE) {// 获取图像数据ImageRenderInfo renderInfo = (ImageRenderInfo) eventData;PdfImageXObject imgObj = renderInfo.getImage();try {// 提取图像并保存为文件byte[] imgBytes = imgObj.getImageBytes();String imageFilePath = "image_" + System.currentTimeMillis() + ".png";try (FileOutputStream fos = new FileOutputStream(imageFilePath)) {fos.write(imgBytes);System.out.println("Page " + pageNum + " Image saved: " + imageFilePath);}} catch (IOException e) {e.printStackTrace();}}}@Overridepublic Set<EventType> getSupportedEvents() {return Set.of(EventType.RENDER_IMAGE);}}public static void main(String[] args) {// 输入 PDF 文件路径String inputPdfPath = "/path/to/your/pdf-file.pdf"; // 替换为实际路径readTextAndImage(inputPdfPath);}
}
代码解析
-
PdfDocument 和 PdfReader：
我们使用PdfReader打开一个现有的 PDF 文件，并通过PdfDocument对象获取文件内容。通过pdfDoc.getNumberOfPages()获取 PDF 文件的总页数，方便后续遍历每一页。 -
文本提取：
PdfTextExtractor.getTextFromPage()方法用于从 PDF 页面中提取文本。SimpleTextExtractionStrategy是默认的文本提取策略，它会保留页面上的文本内容并去除图像和其他非文本元素。 -
图像提取：
PdfCanvasProcessor被用来遍历 PDF 页面内容并触发图像提取事件。在ImageExtractionListener中，我们监听EventType.RENDER_IMAGE事件，该事件会在页面渲染图像时触发。图像通过ImageRenderInfo提供，可以通过imgObj.getImageBytes()获取图像的字节数据并保存为文件。 -
文件保存：
提取的图像字节通过FileOutputStream保存为.png格式文件。每次提取图像时，都会保存为一个新文件，并打印出文件路径。
小结
通过上述示例，我们了解了如何使用 iText 7 提取 PDF 文件中的文本和图像。iText 7 提供了强大且灵活的 API，能够轻松处理各种 PDF 操作。通过事件监听和页面处理，我们可以轻松提取 PDF 中的图像数据，并根据需要进行进一步的处理。iText 7 的模块化设计和现代化的 API 使其成为处理 PDF 文件的理想选择，适用于各种业务场景。
在实际开发中，你可以根据自己的需求灵活运用 iText 7 提供的功能，处理各种复杂的 PDF 文件。无论是生成 PDF 文件、提取数据，还是处理图像和表单，iText 7 都能够提供强大的支持，帮助你轻松完成各种任务。
