如何使用Apache PDFBox从PDF文件中提取页面背景图片

是否可以直接提取背景图？ #

PDF 规范本身没有为「背景图片」设置专属的属性标识，因此 Apache PDFBox 没有内置直接提取背景图的通用API。
本质上背景图和普通前景图都是PDF内嵌的图像资源，唯一的区别是背景图在页面内容流中的绘制顺序更早，绘制完成后才会绘制前景的文字、图形、图片等元素。没有通用规则的前提下，工具无法自动区分某张图像属于前景还是背景。 #

可行的实现方案 #

方案1：识别背景图直接导出（适合背景为整页位图的场景）

可以通过「绘制顺序+尺寸匹配」的规则识别背景图，直接导出资源，操作步骤如下：

• 遍历页面内容流，按绘制顺序捕获所有图像对象的绘制参数，包括绘制坐标、通过CTM（当前变换矩阵）计算得到的实际绘制宽高
• 筛选符合两个特征的图像：绘制顺序排在所有内容的最前面、实际绘制尺寸和页面裁剪框（CropBox）的尺寸差值在5%以内，符合的基本可以判定为页面背景图
• 调用PDImageXObject自带的导出方法直接保存为独立图片文件

核心示例代码：

PDDocument document = PDDocument.load(new File("目标文件.pdf"));
PDPage page = document.getPage(0);
PDRectangle pageCropBox = page.getCropBox();
float pageWidth = pageCropBox.getWidth();
float pageHeight = pageCropBox.getHeight();

PDFStreamParser parser = new PDFStreamParser(page);
List<Object> tokenList = parser.parse();
PDImageXObject bgImage = null;

for (int i = 0; i < tokenList.size(); i++) {
    Object token = tokenList.get(i);
    if (token instanceof Operator && "Do".equals(((Operator) token).getName())) {
        COSName imgName = (COSName) tokenList.get(i - 1);
        PDImageXObject currentImg = (PDImageXObject) page.getResources().getXObject(imgName);
        // 此处省略通过当前图形状态CTM计算图像实际绘制宽高的代码
        if (Math.abs(drawWidth - pageWidth) / pageWidth < 0.05 
            && Math.abs(drawHeight - pageHeight) / pageHeight < 0.05) {
            bgImage = currentImg;
            // 背景为最早绘制的整页图，匹配到即可终止遍历
            break;
        }
    }
}
if (bgImage != null) {
    // 方法参数为保存路径不含扩展名，会自动匹配图像原始格式添加后缀
    bgImage.write2file("导出的背景图");
}
document.close();

方案2：删除前景元素后渲染导出（适合矢量背景、多图拼接背景场景）

如果页面背景是矢量图形、或者由多张图拼接而成，第一种方案不适用，可以用清理内容流的方式间接获取：

• 先完整解析页面内容流的所有绘制指令，标记出所有属于背景的指令范围（通常是内容流最靠前的绘制指令，包括背景色填充、背景图绘制、背景矢量图形绘制等）
• 清空页面原有内容流，只写入筛选出来的背景类绘制指令
• 用PDFBox的页面渲染工具将修改后的页面渲染为位图保存，得到的就是纯背景图

注意事项 #

• 部分PDF会用嵌套的Form XObject存储页面内容，需要递归解析XObject内部的绘制指令，才能完整统计所有元素的绘制顺序
• 如果页面没有单独的背景图像，背景是纯填充色，只能用第二种渲染的方式获取背景图

内容的提问来源于stack exchange，提问作者Cheeky Crex