如何用C#的iText html2Pdf提取JBIG2Decode过滤的PDF单色扫描图像？

问题描述 #

使用C#基于iText html2Pdf库提取PDF中的单色扫描图像时，尽管官方说明支持JBIG2模式，但运行代码时抛出错误：iText.Kernel.Exceptions.PdfException: 'Filter /JBIG2Decode is not supported.'，原代码示例如下：

PdfReader reader = new PdfReader(pdfFilePath);
try
{
    using (var pdfDoc = new PdfDocument(reader))
    {
        for (int i = 1; i <= pdfDoc.GetNumberOfPages(); i++)
        {
            PdfDictionary pageDict = pdfDoc.GetPage(i).GetPdfObject();
            PdfDictionary pageResources = pageDict.GetAsDictionary(PdfName.Resources);
            PdfDictionary pageXObjects = pageResources.GetAsDictionary(PdfName.XObject);
            PdfName imgName = pageXObjects.KeySet().First();
            PdfStream imgStream = pageXObjects.GetAsStream(imgName);
            imgStream.SetData(reader.ReadStreamBytesRaw(imgStream));
                        
            PdfArray array = new PdfArray();
            array.Add(PdfName.JBIG2Decode);
            imgStream.Put(PdfName.Filter, array);

            result = imgStream.GetBytes();
        }
    }
}
catch (Exception ex)
{
}
finally
{
    reader.Close();
}

原因及解决方案 #

iText核心库默认不包含JBIG2解码实现，需额外引入依赖包才能支持该格式：

• 安装NuGet包：iText.Jbig2 和 iText.BouncyCastle-adapter（JBIG2解码依赖BouncyCastle加密库的适配组件）

原代码存在两个关键问题：

1. 手动设置Filter为JBIG2Decode属于多余操作，会干扰iText的自动解码逻辑，应保留PDF原有Filter设置
2. 直接操作PdfStream获取字节的方式不正确，需使用PdfImageXObject统一处理图像解码

修正后的代码 #

using iText.Kernel.Pdf;
using iText.Kernel.Pdf.Xobject;
using System.Linq;

byte[] result = null;
PdfReader reader = new PdfReader(pdfFilePath);
try
{
    using (var pdfDoc = new PdfDocument(reader))
    {
        for (int i = 1; i <= pdfDoc.GetNumberOfPages(); i++)
        {
            PdfDictionary pageDict = pdfDoc.GetPage(i).GetPdfObject();
            PdfDictionary pageResources = pageDict.GetAsDictionary(PdfName.Resources);
            PdfDictionary pageXObjects = pageResources.GetAsDictionary(PdfName.XObject);
            
            if (pageXObjects != null && pageXObjects.Size() > 0)
            {
                PdfName imgName = pageXObjects.KeySet().First();
                PdfStream imgStream = pageXObjects.GetAsStream(imgName);
                // 使用PdfImageXObject自动处理解码，包括JBIG2格式
                PdfImageXObject imageXObject = new PdfImageXObject(imgStream);
                // 获取解码后的图像字节
                result = imageXObject.GetImageBytes();
            }
        }
    }
}
catch (Exception ex)
{
    // 可添加自定义异常处理逻辑
}
finally
{
    reader.Close();
}

内容的提问来源于stack exchange，提问作者Pawel