从 PDF 中过滤掉超过特定字体大小的所有文本

Question

正如标题所说，我想过滤掉 PDF 中大于特定字体大小的所有文本。目前，我正在使用 PDFBox 库，但我愿意使用任何其他免费的 Java 库。

我的方法是使用 PDFStreamParser 来遍历令牌。当我传递一个大小大于我的阈值的 Tf 运算符时，不要添加看到的下一个 Tj/TJ。但是，我很清楚这种相对简单的方法行不通，因为文本可能会被当前的转换矩阵缩放。

有没有更好的方法我可以采用，或者有一种方法可以让我的方法工作而不至于变得太复杂？

Answer 1

你的方法

当我传递一个大小大于我的阈值的 Tf 运算符时，不要添加看到的下一个 Tj/TJ。

太简单了。

一方面，正如你自己所说的，

文本可以通过当前的变换矩阵进行缩放。

（其实不仅可以通过变换矩阵，还可以通过文本矩阵！）

因此，您必须跟踪这些矩阵。

另一方面，Tf 不仅为下一个看到的文本绘图指令设置基本字体大小，它还会设置它直到大小被某些人明确更改其他说明。

此外，文本字体大小和当前变换矩阵是图形状态的一部分；因此，它们受保存状态和恢复状态指令的约束。

因此，要根据当前状态编辑内容流，您必须跟踪大量信息。幸运的是，PDFBox 包含在这里完成繁重工作的类，基于PDFStreamEngine 的类层次结构，让您可以专注于您的任务。为了有尽可能多的信息可供编辑，PDFGraphicsStreamEngine 类似乎是一个不错的选择。

一个通用的内容流编辑器类

因此，让我们从PDFGraphicsStreamEngine 派生PdfContentStreamEditor 并添加一些代码来生成替换内容流。

public class PdfContentStreamEditor extends PDFGraphicsStreamEngine {
    public PdfContentStreamEditor(PDDocument document, PDPage page) {
        super(page);
        this.document = document;
    }

    /**
     * <p>
     * This method retrieves the next operation before its registered
     * listener is called. The default does nothing.
     * </p>
     * <p>
     * Override this method to retrieve state information from before the
     * operation execution.
     * </p> 
     */
    protected void nextOperation(Operator operator, List<COSBase> operands) {
        
    }

    /**
     * <p>
     * This method writes content stream operations to the target canvas. The default
     * implementation writes them as they come, so it essentially generates identical
     * copies of the original instructions {@link #processOperator(Operator, List)}
     * forwards to it.
     * </p>
     * <p>
     * Override this method to achieve some fancy editing effect.
     * </p> 
     */
    protected void write(ContentStreamWriter contentStreamWriter, Operator operator, List<COSBase> operands) throws IOException {
        contentStreamWriter.writeTokens(operands);
        contentStreamWriter.writeToken(operator);
    }

    // stub implementation of PDFGraphicsStreamEngine abstract methods
    @Override
    public void appendRectangle(Point2D p0, Point2D p1, Point2D p2, Point2D p3) throws IOException { }

    @Override
    public void drawImage(PDImage pdImage) throws IOException { }

    @Override
    public void clip(int windingRule) throws IOException { }

    @Override
    public void moveTo(float x, float y) throws IOException { }

    @Override
    public void lineTo(float x, float y) throws IOException { }

    @Override
    public void curveTo(float x1, float y1, float x2, float y2, float x3, float y3) throws IOException { }

    @Override
    public Point2D getCurrentPoint() throws IOException { return null; }

    @Override
    public void closePath() throws IOException { }

    @Override
    public void endPath() throws IOException { }

    @Override
    public void strokePath() throws IOException { }

    @Override
    public void fillPath(int windingRule) throws IOException { }

    @Override
    public void fillAndStrokePath(int windingRule) throws IOException { }

    @Override
    public void shadingFill(COSName shadingName) throws IOException { }

    // PDFStreamEngine overrides to allow editing
    @Override
    public void processPage(PDPage page) throws IOException {
        PDStream stream = new PDStream(document);
        replacement = new ContentStreamWriter(replacementStream = stream.createOutputStream(COSName.FLATE_DECODE));
        super.processPage(page);
        replacementStream.close();
        page.setContents(stream);
        replacement = null;
        replacementStream = null;
    }

    @Override
    public void showForm(PDFormXObject form) throws IOException {
        // DON'T descend into XObjects
        // super.showForm(form);
    }

    @Override
    protected void processOperator(Operator operator, List<COSBase> operands) throws IOException {
        nextOperation(operator, operands);
        super.processOperator(operator, operands);
        write(replacement, operator, operands);
    }

    final PDDocument document;
    OutputStream replacementStream = null;
    ContentStreamWriter replacement = null;
}

(PdfContentStreamEditor 类)

此代码覆盖processPage 以创建新的页面内容流并最终用它替换旧的内容流。并覆盖processOperator，提供处理后的指令进行编辑。

对于编辑，只需在此处覆盖 write。现有的实现只是在指令到来时编写指令，而您可以更改要编写的指令。覆盖nextOperation 允许您查看当前指令应用之前的图形状态。

按原样应用编辑器，

PDDocument document = PDDocument.load(SOURCE);
for (PDPage page : document.getDocumentCatalog().getPages()) {
    PdfContentStreamEditor identity = new PdfContentStreamEditor(document, page);
    identity.processPage(page);
}
document.save(RESULT);

(EditPageContent 测试testIdentityInput)

因此，将创建具有等效内容流的结果 PDF。

为您的用例定制内容流编辑器

你想要

过滤掉 PDF 中超过特定​​字体大小的所有文本。

因此，我们要在write中检查当前指令是否是文本绘制指令，如果是，我们要检查当前有效字体大小，即文本矩阵转换的基本字体大小和当前变换矩阵。如果有效字号太大，我们就不得不放弃指令。

这可以按如下方式完成：

PDDocument document = PDDocument.load(SOURCE);
for (PDPage page : document.getDocumentCatalog().getPages()) {
    PdfContentStreamEditor identity = new PdfContentStreamEditor(document, page) {
        @Override
        protected void write(ContentStreamWriter contentStreamWriter, Operator operator, List<COSBase> operands) throws IOException {
            String operatorString = operator.getName();

            if (TEXT_SHOWING_OPERATORS.contains(operatorString))
            {
                float fs = getGraphicsState().getTextState().getFontSize();
                Matrix matrix = getTextMatrix().multiply(getGraphicsState().getCurrentTransformationMatrix());
                Point2D.Float transformedFsVector = matrix.transformPoint(0, fs);
                Point2D.Float transformedOrigin = matrix.transformPoint(0, 0);
                double transformedFs = transformedFsVector.distance(transformedOrigin);
                if (transformedFs > 100)
                    return;
            }

            super.write(contentStreamWriter, operator, operands);
        }

        final List<String> TEXT_SHOWING_OPERATORS = Arrays.asList("Tj", "'", "\"", "TJ");
    };
    identity.processPage(page);
}
document.save(RESULT);

(EditPageContent 测试testRemoveBigTextDocument)

严格来说，完全删除相关指令可能还不够；取而代之的是，必须将其替换为更改文本矩阵的指令，就像删除的文本绘图指令所做的那样。否则可能会移动以下未删除的文本。但是，这通常会按原样工作，因为文本矩阵是为以下不同文本新设置的。所以让我们在这里保持简单。

约束和备注

这个PdfContentStreamEditor 只编辑页面内容流。从那里可以使用编辑器当前未编辑的 XObjects 和 Patterns。不过，在编辑页面内容流之后，递归迭代 XObjects 和 Patterns 并以类似的方式编辑它们应该很容易。

这个PdfContentStreamEditor 本质上是this answer 的iText 5 (.Net/Java) 的PdfContentStreamEditor 和this answer 的iText 7 的PdfCanvasEditor 的一个端口。使用这些编辑器类的示例可能会提供一些关于如何将 PdfContentStreamEditor 用于 PDFBox 的提示。

以前在this answer 的HelloSignManipulator 类中使用了类似（但不太通用）的方法。

修复错误

在this question 的上下文中，发现PdfContentStreamEditor 中的一个错误导致示例PDF 中的一些文本行被移动。

背景：一些 PDF 指令是通过其他指令定义的，例如t_xt_yTD被指定为和-t_yTL t_xt _yTd。为简单起见，相应的 PDFBox OperatorProcessor 实现通过将等效指令反馈回流引擎来工作。

在这种情况下，上面实现的PdfContentStreamEditor 检索替换指令和原始指令的信号，并将它们全部写回到结果流中。因此，这些指令的效果加倍。例如。在 TD 指令的情况下，文本插入点被转发两行而不是一行...

因此，我们不得不忽略替换指令。为此，将上面的方法 processOperator 替换为

@Override
protected void processOperator(Operator operator, List<COSBase> operands) throws IOException {
    if (inOperator) {
        super.processOperator(operator, operands);
    } else {
        inOperator = true;
        nextOperation(operator, operands);
        super.processOperator(operator, operands);
        write(replacement, operator, operands);
        inOperator = false;
    }
}

boolean inOperator = false;