深入解析 iText 7：从 PDF 文档中提取文本和图像

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

1. PdfReader：用于读取 PDF 文件。
2. PdfDocument：表示一个 PDF 文档，提供对文档内容的访问。
3. PdfTextExtractor：用于从 PDF 页面中提取文本。
4. PdfCanvasProcessor：用于处理 PDF 页面中的图像、文本或其他元素。
5. ImageRenderInfo：包含关于图像的详细信息，可以获取图像的字节数据。
6. 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

1. 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。

2. 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。

3. 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。

4. 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。