Schnellste Methode zum Zählen von PDF-Bildern mit der PDFBox 2.x

Question

Gelegentlich stoßen wir auf extrem große PDF-Dateien, die mit vollständigen, hochauflösenden Bildern gefüllt sind (das Ergebnis des Scannens von Dokumenten). Zum Beispiel habe ich eine 1,7 GB PDF mit 3500 Bildern. Das Laden des Dokuments dauert etwa 50 Sekunden, aber das Zählen der Bilder dauert etwa 15 Minuten.

Ich bin sicher, das ist, weil die Bild-Bytes als Teil der API-Aufrufe gelesen werden. Gibt es eine Möglichkeit, die Bildanzahl zu extrahieren, ohne die Bildbytes tatsächlich zu lesen?

PDFBox Version: 2.0.2

Beispielcode:

@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; 
} 

Wenn ich die countImages Methode zu verlassen sich auf die COSName ändern, vervollständigt die Zählung in weniger als 1 s, aber ich bin ein wenig unsicher sich auf das Präfix des Namens verlassen. Dies scheint ein Nebenprodukt des pdf-Encoder zu sein und nicht PDFBox (ich jeden Hinweis nicht, um es in ihrem Code finden konnte):

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

Answer 1

So der bisherige Ansatz einige zusätzliche Fehler hatte (Inline-Bilder verpassen könnte, etc .). Danke mkl und Tilman Hausherr für das Feedback!

TIL - PDF object streams contain useful operator codes!

Mein neuer Ansatz erweitert PDFStreamEngine und erhöht eine imageCount für jeden 'Do' (Objekt zeichnet) Operator in dem PDF-Inhaltsstrom gefunden. Die Bildanzahl dauert nur wenige hundert Millisekunden mit dieser Methode:

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"; 
      } 
     }); 
    } 
} 

es für jede Seite aufrufen:

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; 
}