一次单据图片处理的优化实践
1 引言
日常开发中接到这样的需求，上游系统请求获取一张A4单据用于仓库打印及展示，要求PNG图片格式，但是我们内部得到的单据格式为PDF，需要提取PDF文档的元素并生成一张PNG图片。目前已经有不少开源工具实现了这一功能，我们找了网上使用比较多的Apache PDFBox库来实现功能，如下
// Step 1
PDDocument document = PDDocument.load(content);
PDFRenderer pdfRenderer = new PDFRenderer(document);
// 获取第1页PDF文档
OutputStream os = new ByteArrayOutputStream()
// Step 2
// 为了保证图片的清晰，这里采用600DPI
BufferedImage image = pdfRenderer.renderImageWithDPI(0, 600);
// Step 3
ImageIO.write(image, "PNG", os);
实际测试时，明显感觉到卡顿，当一次请求的单据数目较多时尤其严重。
经统计，各步骤本机单次运行耗时如下：
pdf 初始化（Step 1）：2ms
文档提取及图片绘制（Step 2）：520ms
图片编码 (Step 3)：3823ms
我们发现，最后一句代码耗时接近4秒，拖累了整体性能。我们要如何优化这样一个问题呢？
2 BufferedImage介绍
在讨论优化问题之前，首先要搞清楚待优化的代码是做什么的。如上代码中，使用renderImageWithDPI方法，将文档元素绘制为BufferedImage对象。
根据描述，BufferedImage用来描述一张图片，其内部保存了图片的颜色模型（ColorModel）及像素数据（Raster）。这里简单解释就是，内部的Raster实现类中，以某种数据结构（如Byte数组）表示图片的所有像素数据，而ColorModel实现类，则提供了将每个像素的数据，转换为对应RGB颜色的方式。
BufferedImage的构造函数中，可以传入图片类型来决定使用哪一种ColorModel和Raster。引言的示例中，PDFRender源码中默认生成的图片类型为 TYPE_INT_RGB，这种类型表示，每一个像素使用R、G、B三条数据表示，每条数据使用单字节（0~255）表示。
public BufferedImage(int width, int height, int imageType)
需要注意的是，BufferedImage并不表示某一张具体的位图，而是通过描述每个像素的数据，抽象地表达一张图片，因此，它可以在内存中通过操作像素数据，直接改变对应图片。而通过ImageIO.write方法，可以将BufferedImage编码为具体格式的图片数据流。此方法会根据formatName选择该文件格式的编码器，来对BufferedImage内部的像素数据进行编码。
public static boolean write(RenderedImage im, String formatName, OutputStream output) throws IOException
以下代码为BufferedImage的简单应用
将一个GIF图片读取到BufferedImage中，在坐标（10，10）位置打出ABC三个字符，并重新编码成PNG图片
BufferedImage image = ImageIO.read(new File("exmaple.gif"));
image.getGraphics().drawString("ABC", 10, 10);
ImageIO.write(image, "PNG", new FileOutputStream("result.png"));
下面这段代码展示了另一类型的例子，它将图片中所有的红色像素点重置成黑色像素点
BufferedImage image = ImageIO.read(new File("example.gif"));
for(int i = 0 ; i < image.getWidth() ; i++) {
for(int j = 0 ; j < image.getHeight() ; j++) {
if(image.getRGB(i, j) == Color.RED.getRGB()) {
image.setRGB(i, j, Color.BLACK.getRGB());
}
}
}
如果我们想要取得图片的数据，可以通过BufferedImage内部的Raster对象获得。下面的示例，展示了采用了字节数组形式存储时，取得内部存储的字节数组的方式。注意，当需要查询到某一个像素的数据时，需要综合像素的x,y坐标及ColorModel模型中像素数据的存储方式来决定数组下标。
BufferedImage im = ImageIO.read(new File("exmaple.gif"));
DataBuffer dataBuffer = im.getRaster().getDataBuffer();
if(dataBuffer instanceof DataBufferByte) {
DataBufferByte bufferByte = (DataBufferByte) dataBuffer;
byte[] data = bufferByte.getData();
}
那么，现在我们可以通过看源码，了解引言的示例代码的作用。
根据源码可以了解到，PDFRender对象读取并识别PDF文档中的每条语句，利用BufferedImage中的Graphics2D重新画了一张图片，并编码成PNG格式。这里不详细说了。
3 PNG文件格式浅析
根据上一节的内容可知，把BufferedImage编码成PNG文件的过程，耗时接近2秒。我们需要简单了解下编码PNG文件的过程中，究竟在干什么。
以下参考W3C上对PNG的描述 https://www.w3.org/TR/PNG/#11IHDR ，由于比较复杂，很多东西我也是一知半解，这里仅描述本次优化涉及到的主要内容。
PNG文件可以包含很多数据块，最主要且必须包含的，是IHDR,IDAT及IEND三个数据块
我们通过十六进制打开PNG文件，就可以看到具体的数据块分布
IEND
IEND为结束标志
IHDR
IHDR为文件头，其后紧跟的字节描述了PNG文件的一些基础属性，如宽、高各占4各字节，而Color type和Bit Depth分别表示颜色类型和位深。
1.Colour type颜色类型分为以下几种：
Greyscale为灰度图，每个像素用单一的灰度值来描述颜色，灰度值由0（白）到255（黑）逐步加深。
Truecolor即为一般的RGB三通道图片，R、G、B每一个通道允许用8或16个比特来表示。
Indexed-color为索引色，需要配合调色板PLTE数据块使用，这里不多做介绍。
后面两种Greyscale with alpha, truecolor with alpha，顾名思义，即灰度和RGB图像增加透明度通道
2.Bit Depth（位深度），即每个通道使用多少比特来表示。
比如在一张Colour type=Greyscale中，一个像素由1~255的灰度值来表示，那么这张图片就是单通道8位深。
根据上表，我们知道位深度于颜色类型是有相关性的。比如Greyscale灰度图只能支持1，2，4，8，16位深。
3.Compression Method压缩算法
后面的Compression Method为数据压缩算法，固定为zlib LZ77算法。该算法通过编码一定范围内的重复数据来压缩整体数据，有兴趣的同学可以了解一下，这里不多做介绍了。找了一张网上的解说图，通过此图可以大致了解此压缩具体在做些什么。
LZ77算法可以设置一个压缩级别参数，参数范围为0 ~ 9，其中0为不压缩；1为最快速度，但压缩率较低；9为压缩率最高，但速度会相对较慢。
4.Filter Method过滤方法
过滤方法即压缩前的预处理，主要目的是对于一些颜色变化比较“陡”的图片，通过一些数据的变换增加像素数据的重复度，从而增加压缩率。
试想一个场景，一张图片每一个像素点都是前一个像素颜色的递增，那么这张图片每一个像素点都是不同的数值，按照上面的压缩方法，它将无法被压缩。而如果我们对它进行预处理，以第一个像素为基准，后面每一个像素点均变换为当前像素与前一个像素的差值，那么这个变换是可逆的，并且会人为创造出大量的重复数据便于压缩。
具体这些过滤方法为什么可以增加重复数据，由于不涉及此次优化，我也没有做深入了解。
后面可以看到，因为我们业务场景本身的原因，并不需要预处理。
IDAT
IDAT数据块为真正的图片像素数据，这部分数据是经过过滤（Filter）及压缩（Compresson）的，这些方法都有比较成熟的实现，我们也不考虑在这里做任何优化了，因此不多做介绍。
4 优化方案
经过上述内容，针对引言中的问题，我们确定了2个优化方向
- 业务上，无论怎样的单据，都是要仓库打印的，基本都是黑白图片。PNG的颜色类型使用Truecolor是冗余的，根据上图中IHDR文件头表格内容可知，PNG图片是支持灰度（Greyscale）同时位深为1的，即每个像素点由1比特来表示（0代表白点，1代表黑点）。这样可以减少PNG文件的体积，以及压缩生成IDAT块的时间。
- 调整zlib压缩算法的级别为1，牺牲压缩率来提高速度
经过查看源码，当BufferedImage的imageType=TYPE_BYTE_BINARY（二进制）时，JDK中的PNG编码器会使用灰度的color type及1位深，而我们发现PDFRender类是有参数可控的，当传入BINARY时，绘制的BufferedImage的类型即为TYPE_BYTE_BINARY。
BufferedImage image = pdfRenderer.renderImageWithDPI(0, 304, ImageType.BINARY);
使用此方法后，ImageIO.write编码过程耗时减少到150ms左右。
但是这样改后，我们发现生成的PNG图像，与原PDF文档在观感上相比，有一些发“虚”，如下图
PDF截图
PNG截图
由于TYPE_BYTE_BINARY类型的BufferedImage每个像素只由0，1来表示黑白，很容易想到，这个现象的原因是出在判断“多灰才算黑”上。
我们来看一下源码中，BINARY类型BufferedImage的ColorModel，是如何判断黑白的。
BINARY类型的BufferedImage使用的实现类为IndexColorModel, 确定颜色的代码段如下，最终由pix变量决定颜色的索引号。
int minDist = 256;
int d;
// 计算像素的灰度值
int gray = (int) (red*77 + green*150 + blue*29 + 128)/256;
// 在BINARY类型下，map_size = 2
for (int i = 0; i < map_size; i++) {
// rgb数组为调色板，每个数组元素表示一个在图片中可能出现的颜色
// 在BINARY类型下，rgb只有0x00,0xFE两个元素
if (this.rgb[i] == 0x0) {
// For allgrayopaque colormaps, entries are 0
// iff they are an invalid color and should be
// ignored during color searches.
continue;
}
// 分别计算黑&白与当前灰度值的差值
d = (this.rgb[i] & 0xff) - gray;
if (d < 0) d = -d;
// 选择差值较小的一边
if (d < minDist) {
pix = i;
if (d == 0) {
break;
}
minDist = d;
}
}
由以上代码，在JDK的实现中，通过像素的灰度值更靠近0和255的哪一个，来确定当前像素是黑是白。
这种实现方式对于通用功能来说是合适的，却不适合我们的业务场景，因为我们生成的图片都是单据，大部分需要仓库等场景现场打印，需要优先保证内容的准确性，即不能因为图片上某一处灰得有点“浅”，就不显示它。
对于当前业务场景，我们认为简单地设置一个固定的阈值，来区分灰度值是一个适合的方式。
所以，为解决这个问题，我们设计了2种思路
- 继承实现自己的ColorModel，通过阈值来指定调色板索引号，所有要编码成PNG的BufferedImage都使用自己实现的ColorModel。
- 不使用JDK默认的PNG编码器，使用其他开源实现,在编码阶段通过判断BufferedImage像素灰度值是否超过阈值，来决定编入PNG文件的像素数据是黑是白。
从合理性上看，我认为1方案从程序结构角度是更合理的，但是实际应用中，却选择了方案2，理由如下
- BufferedImage通常不是自己生成的，我们往往控制不了其他开源工具操作生成的BufferedImage使用哪种ColorModel，比如我们的项目里PDF Box，IcePdf, Apache poi等开源包都会提供生成BufferedImage的方法，针对每个开源工具都要重新更改源代码，生成使用自己实现的ColorModel的BufferedImage，太过于繁琐了，不具有通用性。
- JDK提供的PNG编码器不能设置压缩级别
5 实际优化过程
我们通过网上搜到了开源Java实现的PNG编码器pngencoder作为此业务场景下的编码器。
<groupId>com.pngencoder</groupId>
<artifactId>pngencoder</artifactId>
<version>0.14.0-SNAPSHOT</version>
但是我们发现一个问题，开源实现的PNG编码器在编码BufferedImage时，为了方便整字节进行操作，基本都是只能支持8或16比特的位深的PNG，无法支持我们需要的1比特的位深. 经过分析，这一点可以通过自己开发简单的代码实现来补充，因为无论使用几位深，最终PNG编码都是针对像素数据整理过后，对整字节的数据进行后续的过滤及压缩来生成IDAT数据，因此，我们只需要实现对原BufferedImage像素数据的提取并转换为1比特位深度这一步骤。
因此，我们的需求就是，针对一个BufferedImage，每个像素的灰度值通过与阈值比较大小，映射为一个bit数组，并将bit数组转换为byte数组。
下面是我们借助这个开源工具内部实现的部分代码：
/**
* 在开源工具原有代码基础上，判断1bit位深时，使用另外的像素数据收集方法
*/
case TYPE_BYTE_GRAY:
if(bitDepth == 1) {
// 针对灰度图像，当位深为1的时候走自己实现的数据获取方法
// RGB图像也可用类似方式
getByteOneBitGrey(bufferedImage, yStart, width, heightToStream, consumer);
} else {
// 原代码
getByteGray(bufferedImage, yStart, width, heightToStream, consumer);
}
break;
自定义1bit位深取数据方法
/**
* 生成使用1bit位深，Greyscale的PNG的像素数据
* 当IHDR中bit Depth为1时，使用这个方法来生成IDAT的原始数据
* @param image 图片BufferedImage
* @param yStart 从图片哪一行开始扫描
* @param width 图像宽度
* @param heightToStream 待处理的高度
* @param consumer 原始数据块后续处理函数
*/
static void getByteOneBitGrey(BufferedImage image, int yStart, int width, int heightToStream, AbstractPNGLineConsumer consumer)
throws IOException {
// 字节数组的长度
int rowByteSize = (int) Math.ceil(width / 8.0);
byte[] currLine = new byte[rowByteSize + 1];
// BufferedImage Raster像素数据
byte[] rawBytes = ((DataBufferByte) image.getRaster().getDataBuffer()).getData();
int currLineIndex, bitIndex;
byte currValue = 0;
for(int y = 0 ; y < heightToStream ; y++) {
int start = (yStart + y) * width;
currLineIndex = 0;
bitIndex = 0;
// 这里有一个坑，PNG数据每行要以一个额外的0x00开头
currLine[currLineIndex++] = 0;
for (int i = 0; i < width; i++) {
// 查到当前像素的灰度值，150为手动设置的阈值，小于150则认为是白色
byte bitVal = (byte) ((rawBytes[start + i] & 0xFF) < 150 ? 0 : 1);
// 把每个像素的bit合并到一个byte中
currValue |= bitVal << (7 - bitIndex++);
// 当取了8个bit时，将一个完整的byte放入待处理数据
if (bitIndex == 8) {
currLine[currLineIndex++] = currValue;
currValue = 0;
bitIndex = 0;
}
}
// 如果剩余的bit不够8个，最后一个byte剩余位为0
if (bitIndex != 0) {
currLine[currLineIndex++] = currValue;
}
// 调用开源工具的方法对数据做后续处理
consumer.consume(currLine, null);
}
}
最终用修改后的开源PNG编码器代替ImageIO.write方法，这里使用压缩级别为1
byte[] result = new PngEncoder()
.withBufferedImage(image)
.withMultiThreadedCompressionEnabled(false)
// 配置压缩级别为1
.withCompressionLevel(2)
// 设置位深度为1bit
.withBitDepth(1)
.toBytes();
最终经过优化后测试，和最开始测试时相比，PNG编码步骤上，无论在耗时还是文件大小上都有很大改善
6 总结
通过对问题的优化，对以PNG为例的位图文件结构，和Java中对图片的基本操作有了渐进式的理解；同时也意识到，日常工作中，通过对业务本身的理解，清楚知道业务的边界在那里，加上对技术基础知识的深入理解，才能更细致地针对性做出优化。
作者：京东物流 冯凯
来源：京东云开发者社区 自猿其说Tech 转载请注明来源