PDFBox 2.xを使用してPDF画像を数える最速の方法

Question

場合によっては、フルページの高解像度画像（文書スキャンの結果）でいっぱいの非常に大きなPDFに遭遇することがあります。たとえば、私は3500 +画像で1.7GBのPDFを持っています。ドキュメントの読み込みには約50秒かかりますが、イメージのカウントには約15分かかります。

これは、イメージバイトがAPI呼び出しの一部として読み取られるためです。実際にイメージバイトを読み取らずにイメージカウントを抽出する方法はありますか？

PDFBoxバージョン：2.0.2

コード例：

@Test 
public void imageCountIsCorrect() throws Exception { 
    PDDocument pdf = readPdf(); 
    try { 
     assertEquals(3558, countImages(pdf)); 
     // assertEquals(3558, countImagesWithExtractor(pdf)); 
    } finally { 
     if (pdf != null) { 
      pdf.close(); 
     } 
    } 
} 

protected PDDocument readPdf() throws IOException { 
    StopWatch stopWatch = new StopWatch(); 
    stopWatch.start(); 

    FileInputStream stream = new FileInputStream("large.pdf"); 
    PDDocument pdf; 
    try { 
     pdf = PDDocument.load(stream, MemoryUsageSetting.setupMixed(1024 * 1024 * 250)); 
    } finally { 
     stream.close(); 
    } 

    stopWatch.stop(); 
    log.info("PDF loaded: time={}s", stopWatch.getTime()/1000); 
    return pdf; 
} 


protected int countImages(PDDocument pdf) throws IOException { 
    StopWatch stopWatch = new StopWatch(); 
    stopWatch.start(); 

    int imageCount = 0; 
    for (PDPage pdPage : pdf.getPages()) { 
     PDResources pdResources = pdPage.getResources(); 
     for (COSName cosName : pdResources.getXObjectNames()) { 
      PDXObject xobject = pdResources.getXObject(cosName); 
      if (xobject instanceof PDImageXObject) { 
       imageCount++; 
       if (imageCount % 100 == 0) { 
        log.info("Found image: #" + imageCount); 
       } 
      } 
     } 
    } 

    stopWatch.stop(); 
    log.info("Images counted: time={}s,imageCount={}", stopWatch.getTime()/1000, imageCount); 
    return imageCount; 
} 

私はCOSNameに頼るcountImages方法を変更した場合、カウントは1秒未満で完了しますが、私は少し不確かです名前の接頭辞に頼っていること。 （など、インライン画像を欠場する可能性が

if (cosName.getName().startsWith("QuickPDFIm")) { 
    imageCount++; 
} 

Answer 1

だから、以前のアプローチはいくつかの追加の欠陥を持っていた：これは、PDFエンコーダの副産物ではなくPDFBox（私は自分のコードでは、それへの参照を見つけることができなかった）ように見えます）。フィードバックのためにmklとTilman Hausherrに感謝します！

TIL - PDF object streams contain useful operator codes!

私の新しいアプローチがPDFStreamEngineを拡張し、PDFコンテンツストリームで見つかったすべての（描画オブジェクト）「を実行」演算子のためimageCountをインクリメントします。画像のみカウントはこの方法で数百ミリ秒かかる：

public class PdfImageCounter extends PDFStreamEngine { 
    protected int documentImageCount = 0; 

    public int getDocumentImageCount() { 
     return documentImageCount; 
    } 

    public PdfImageCounter() { 
     addOperator(new OperatorProcessor() { 
      @Override 
      public void process(Operator operator, List<COSBase> arguments) throws IOException { 
       if (arguments.size() < 1) { 
        throw new MissingOperandException(operator, arguments); 
       } 
       if (isImage(arguments.get(0))) { 
        documentImageCount++; 
       } 
      } 

      protected Boolean isImage(COSBase base) { 
       return (base instanceof COSName) && 
         context.getResources().isImageXObject((COSName)base); 
      } 

      @Override 
      public String getName() { 
       return "Do"; 
      } 
     }); 
    } 
} 

各ページのためにそれを起動します。

protected int countImagesWithProcessor(PDDocument pdf) throws IOException { 
    StopWatch stopWatch = new StopWatch(); 
    stopWatch.start(); 

    PdfImageCounter counter = new PdfImageCounter(); 
    for (PDPage pdPage : pdf.getPages()) { 
     counter.processPage(pdPage); 
    } 

    stopWatch.stop(); 
    int imageCount = counter.getDocumentImageCount(); 
    log.info("Images counted: time={}s,imageCount={}", stopWatch.getTime()/1000, imageCount); 
    return imageCount; 
}