我可以通过多种方式从 PDF 的页面中提取文本：
String pageText = PdfTextExtractor.GetTextFromPage(reader, i);
这可用于获取页面上的任何文本。
或者：
byte[] contentBytes = iTextSharp.text.pdf.parser.ContentByteUtils.GetContentBytesForPage(reader, i);
可能性无穷无尽。
现在我想删除/编辑某个字词，例如明确的词语、敏感信息（在它们上面放置黑框显然是个坏主意:) 或 PDF 中的任何内容（简单且仅文本）。我可以使用上面的方法找到这个词。我可以计算它的出现次数等等......
我不关心布局，也不关心 PDF 并不是真的要以这种方式操作的事实。
我只是想知道是否有一种机制可以让我以这种方式处理我的 PDF 的原始内容。你可以说我正在寻找“SetContentBytesForPage()”...
【问题讨论】：
如果您想更改页面的内容，仅更改页面的内容流是不够的。页面可能包含对包含您要删除的内容的表单 XObject 的引用。
次要问题是图像。例如：假设您的文档包含经过 OCR 处理的扫描文档。在这种情况下，仅删除（矢量）文本是不够的，您还需要处理图像中的（像素）文本。
假设你的次要问题不存在，你需要一个双重方法：
根据您的问题，我假设您已经解决了问题 1。解决问题 2 并不是那么简单。在我的书的第 15 章中，我有一个示例，其中提取文本返回“Hello World”，但是当您查看内容流内部时，您会看到：
BT
/F1 12 Tf
88.66 367 Td
(ld) Tj
-22 0 Td
(Wor) Tj
-15.33 0 Td
(llo) Tj
-15.33 0 Td
(He) Tj
ET
在您从这个流 sn-p 中删除“Hello World”之前，您需要一些启发式方法，以便您的程序能够识别这种语法中的文本。
找到文本后，您需要重写流。如需灵感，您可以查看 itext-xtra 包中的 OCG remover functionality。
长话短说：如果您的 PDF 相对简单，即：可以在不同的内容流（页面内容和表单 XObject 内容）中轻松检测到文本，那么只需在一些字符串操作后重写这些流即可.
我为您制作了一个名为 ReplaceStream 的简单示例，它将 PDF 中的 "Hello World" 替换为 "HELLO WORLD"。
public void manipulatePdf(String src, String dest) throws IOException, DocumentException {
PdfReader reader = new PdfReader(src);
PdfDictionary dict = reader.getPageN(1);
PdfObject object = dict.getDirectObject(PdfName.CONTENTS);
if (object instanceof PRStream) {
PRStream stream = (PRStream)object;
byte[] data = PdfReader.getStreamBytes(stream);
stream.setData(new String(data).replace("Hello World", "HELLO WORLD").getBytes());
}
PdfStamper stamper = new PdfStamper(reader, new FileOutputStream(dest));
stamper.close();
reader.close();
}
一些注意事项：
object 是否是一个流。它也可以是一个 array 流。在这种情况下，您需要遍历该数组。Hello World 可以在 PDF 语法中轻松检测到。在现实生活中，PDF 从未如此简单，您的项目的复杂性会随着文档中使用的每个特殊功能而急剧增加。
【讨论】：
Bruno 的代码的 C# 等价物：
static void manipulatePdf(String src, String dest)
{
PdfReader reader = new PdfReader(src);
PdfDictionary dict = reader.GetPageN(1);
PdfObject pdfObject = dict.GetDirectObject(PdfName.CONTENTS);
if (pdfObject.IsStream()) {
PRStream stream = (PRStream)pdfObject;
byte[] data = PdfReader.GetStreamBytes(stream);
stream.SetData(System.Text.Encoding.ASCII.GetBytes(System.Text.Encoding.ASCII.GetString(data).Replace("Hello World", "HELLO WORLD")));
}
FileStream outStream = new FileStream(dest, FileMode.Create);
PdfStamper stamper = new PdfStamper(reader, outStream);
reader.Close();
}
如果它仍然包含错误，我会更新它。
【讨论】：
在我之前的 C# 代码和 Bruno 的评论中，GetDirectObject(PdfName.CONTENTS) 还不如返回一个数组而不是一个流：在我的特殊情况下，事实证明这是真的。
p>返回的 PdfObject 为 IsArray() 返回了“真”。我查了一下，数组元素都是 PdfIndirectReference。
进一步查看 API 会发现两个有用的信息：
从那里开始，您将获得一个新的 PdfObject，您可以使用 IsStream() 检查并根据之前发布的代码进行修改。
所以它解决了这个问题（请注意，这又快又脏，但它适用于我的特定目的......）：
// Get the contents of my page...
PdfObject pdfObject = pageDict.GetDirectObject(PdfName.CONTENTS);
// Check that this is, in fact, an array or something else...
if (pdfObject.IsArray())
{
PdfArray streamArray = pageDict.GetAsArray(PdfName.CONTENTS);
for (int j = 0; j < streamArray.Size; j++)
{
PdfIndirectReference arrayEl = (PdfIndirectReference)streamArray[j];
PdfObject refdObj = reader.GetPdfObject(arrayEl.Number);
if (refdObj.IsStream())
{
PRStream stream = (PRStream)refdObj;
byte[] data = PdfReader.GetStreamBytes(stream);
stream.SetData(System.Text.Encoding.ASCII.GetBytes(System.Text.Encoding.ASCII.GetString(data).Replace(targetedText, newText)));
}
}
}
【讨论】：