深入解析iText7：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 PdfReader：用于读取 PDF 文件。PdfDocument：表示一个 PDF 文档，提供对文档内容的访问。PdfTextExtractor：用于从 PDF 页面中提取文本。PdfCanvasProcessor：用于处理 PDF 页面中的图像、文本或其他元素。ImageRenderInfo：包含关于图像的详细信息，可以获取图像的字节数据。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; } @Override public 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(); } } } @Override public 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

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。

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。

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。

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。