如何从PDPage中提取所有图片？PDFBox版本变更后的实现疑问

针对你已经获取到PDPage和PDResources的情况，在PDFBox 2.x及以上版本中，提取页面图片的核心是遍历资源中的XObject，筛选出图片类型对象，同时处理可能的嵌套资源（比如表单中的图片）。新版本和旧版本的主要区别在于图片对象类从PDXObjectImage改为了PDImageXObject，这也是容易混淆的点。

以下是衔接你现有代码的完整实现：

// 你已有的代码
PDPage page = (PDPage) this.document.getDocumentCatalog().getPages().get(i);
PDResources resources = page.getResources();

// 新增：提取图片的逻辑
try {
    // 获取资源中的所有XObject集合
    Map<String, PDXObject> xObjects = resources.getXObjects();
    if (xObjects != null) {
        for (Map.Entry<String, PDXObject> entry : xObjects.entrySet()) {
            PDXObject xObj = entry.getValue();
            // 判断是否为图片对象
            if (xObj instanceof PDImageXObject) {
                PDImageXObject image = (PDImageXObject) xObj;
                // 生成图片文件名，可根据需求调整
                String imgFileName = String.format("page-%d-image-%s.%s", 
                                                  i + 1, entry.getKey(), image.getSuffix());
                // 将图片写入文件
                ImageIO.write(image.getImage(), image.getSuffix(), new File(imgFileName));
            }
            // 处理嵌套的表单资源（表单中可能包含图片）
            else if (xObj instanceof PDFormXObject) {
                PDFormXObject formXObj = (PDFormXObject) xObj;
                // 递归提取表单内的图片
                extractImagesFromResources(formXObj.getResources(), i);
            }
        }
    }
} catch (IOException e) {
    e.printStackTrace();
}

// 递归处理资源的辅助方法
private void extractImagesFromResources(PDResources res, int pageIndex) throws IOException {
    Map<String, PDXObject> xObjects = res.getXObjects();
    if (xObjects != null) {
        for (Map.Entry<String, PDXObject> entry : xObjects.entrySet()) {
            PDXObject xObj = entry.getValue();
            if (xObj instanceof PDImageXObject) {
                PDImageXObject image = (PDImageXObject) xObj;
                String imgFileName = String.format("page-%d-form-image-%s.%s", 
                                                  pageIndex + 1, entry.getKey(), image.getSuffix());
                ImageIO.write(image.getImage(), image.getSuffix(), new File(imgFileName));
            } else if (xObj instanceof PDFormXObject) {
                PDFormXObject formXObj = (PDFormXObject) xObj;
                extractImagesFromResources(formXObj.getResources(), pageIndex);
            }
        }
    }
}

关键说明： #

• 版本适配：PDFBox 2.x+使用PDImageXObject表示图片，替换了旧版的PDXObjectImage，这是你需要注意的核心改动点。
• 嵌套资源处理：部分PDF的图片可能嵌套在PDFormXObject（表单对象）中，因此需要递归遍历这些子资源，避免遗漏图片。
• 图片保存：通过ImageIO.write()将图片写入文件，image.getSuffix()可以直接获取图片的格式后缀（如png、jpg）。

需要导入的相关包：

import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.PDResources;
import org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject;
import org.apache.pdfbox.pdmodel.graphics.form.PDFormXObject;
import javax.imageio.ImageIO;
import java.io.File;
import java.io.IOException;
import java.util.Map;

内容的提问来源于stack exchange，提问作者Giovanni De Maio Langella