如何在Apache PDFBox中唯一识别拆分后的PDF页面

哈哈，这个场景我太熟悉了！之前处理批量PDF拆分后出错定位的问题时，刚好研究过PDFBox的解决方案，给你两个实用的办法：

方案1：自定义Splitter跟踪原页码（灵活适配特殊页码） #

默认的Splitter拆分出来的子文档不会自带原页码信息，但我们可以继承它，在创建子文档时把原页码存入文档的自定义属性里，后续处理时直接读取就行：

public class PageTrackingSplitter extends Splitter {
    private int currentOriginalPage = 1; // 原文档页码默认从1开始计数

    @Override
    protected PDDocument createNewDocument() throws IOException {
        PDDocument newPageDoc = super.createNewDocument();
        // 将当前原页码存入子文档的自定义属性
        newPageDoc.getDocumentInformation().setCustomProperty("OriginalPageNumber", String.valueOf(currentOriginalPage));
        currentOriginalPage++;
        return newPageDoc;
    }
}

使用这个自定义拆分器的代码示例：

PDDocument wholeDocument = PDDocument.load(new File(fileName));
PageTrackingSplitter splitter = new PageTrackingSplitter();
List<PDDocument> splittedDocuments = splitter.split(wholeDocument);

// 逐个处理页面并获取原页码
for (PDDocument pageDoc : splittedDocuments) {
    String originalPageNum = pageDoc.getDocumentInformation().getCustomProperty("OriginalPageNumber");
    try {
        // 这里写你的页面处理逻辑
        processSinglePage(pageDoc);
    } catch (Exception e) {
        System.err.println("处理原PDF第" + originalPageNum + "页失败：" + e.getMessage());
    } finally {
        pageDoc.close();
    }
}
wholeDocument.close();

如果原文档的页码不是连续的1、2、3（比如有跳页、自定义页码标签），还可以在拆分前先通过PDPage.getCOSObject().getInt(COSName.PAGE_LABEL)获取原页面的真实页码，再存入自定义属性，适配性拉满。

方案2：利用列表索引直接关联（简单高效） #

如果你的原文档是普通的连续页码PDF，那这个方法最省事：Splitter.split()返回的列表顺序完全对应原文档的页面顺序，列表的索引（从0开始）加1就是原文档的页码，根本不用额外改造拆分器：

PDDocument wholeDocument = PDDocument.load(new File(fileName));
Splitter splitter = new Splitter();
List<PDDocument> splittedDocuments = splitter.split(wholeDocument);

// 遍历列表时用索引计算原页码
for (int index = 0; index < splittedDocuments.size(); index++) {
    int originalPageNumber = index + 1; // 转换为从1开始的页码
    PDDocument pageDoc = splittedDocuments.get(index);
    try {
        // 你的页面处理逻辑
        processSinglePage(pageDoc);
    } catch (Exception e) {
        System.err.println("处理原PDF第" + originalPageNumber + "页失败：" + e.getMessage());
    } finally {
        pageDoc.close();
    }
}
wholeDocument.close();

这两种方法都能帮你在处理失败时精准定位到原PDF的具体页面，选哪种就看你的文档有没有特殊页码需求啦～

内容的提问来源于stack exchange，提问作者Ahmad