从 PDF 文件中删除所有文本

Question

我正在使用 Ghostscript 将源 PDF 文件转换为 PNG 图像数组。在将 PDF 页面转换为 PNG 图像之前，我需要从 PDF 中提取（删除）所有文本，以便转换后的页面图像包含所有其他元素，不包括文本。

我可以使用 Ghostscript 实现这一点，还是需要研究不同的工具？

我也对可以读取-保存我的源 PDF 删除所有文本的工具感兴趣。

Answer 1

自从我上一个回答以来，开发一直在继续，现在有一个新选项可用，这证明了一个新答案的合理性。

最新版本的 Ghostscript 支持 3 个新参数，允许您从 PDF 中删除所有 TEXT、所有 IMAGE 或所有 VECTOR 元素。

要从输入 PDF 中删除所有 TEXT 元素，请运行

gs -o no-more-texts.pdf -sDEVICE=pdfwrite -dFILTERTEXT   input.pdf

要从输入 PDF 中删除所有光栅 IMAGE 元素，请运行

gs -o no-more-texts.pdf -sDEVICE=pdfwrite -dFILTERIMAGE  input.pdf

要从输入 PDF 中删除所有 VECTOR 元素，请运行

gs -o no-more-texts.pdf -sDEVICE=pdfwrite -dFILTERVECTOR input.pdf

当然，您也可以结合以上两个参数中的任何一个（结合所有三个将创建空页面。

这是一个 PDF 页面的屏幕截图，其中原始页面包含所有三个元素，而生成的页面看起来不同。

---

_{原始 PDF 页面的屏幕截图包含“图像”、“矢量”和“文本”元素。}

---

运行以下 6 条命令将创建剩余内容的所有 6 种可能变体：

gs -o noIMG.pdf -sDEVICE=pdfwrite -dFILTERIMAGE input.pdf gs -o noTXT.pdf -sDEVICE=pdfwrite -dFILTERTEXT input.pdf gs -o noVCT.pdf -sDEVICE=pdfwrite -dFILTERVECTOR input.pdf gs -o onlyIMG.pdf -sDEVICE=pdfwrite -dFILTERVECTOR -dFILTERTEXT input.pdf gs -o onlyTXT.pdf -sDEVICE=pdfwrite -dFILTERVECTOR -dFILTERIMAGE input.pdf gs -o onlyVCT.pdf -sDEVICE=pdfwrite -dFILTERIMAGE -dFILTERTEXT input.pdf

下图说明了结果：

---

_{顶行，从左到右：所有“文本”被删除；删除所有“图像”；删除了所有“向量”。 底行，左起：只保留“文本”；只保留“图像”；只保留“向量”。}

---

Answer 2

您可以在没有 Ghostscript 的情况下实现您想要的，只需使用文本编辑器即可。

1. 将压缩后的 PDF 转换为将（几乎）所有 PDF 对象的内容和流扩展为可读形式的文件使用QPDF：

    qpdf --qdf --object-streams=disable input.pdf editable.pdf
   

2. 使用文本编辑器打开您的新 editable.pdf 文件（该编辑器还可以优雅地处理 PDF 中任何剩余的二进制 blob，例如字体或 ICC 资源）。

3. 搜索所有出现的TJ 和Tj 字符串（用于显示文本的PDF 运算符）在PDF 对象流中 并分别用JT 和jT 字符串替换它们（未定义的、无意义的 PDF 运算符）。将文件另存为edited.pdf。

4. 现在根据需要将您的 edited.pdf 转换为您的 PNG 图像。

请注意，edited.pdf仍会显示在大多数 PDF 查看器中，但 文本将按预期丢失。但是，很容易再次恢复文本，方法是恢复原来的 TJ/Tj 运算符，从而逆转任何手动修改。

---

在上面给出的qpdf命令创建的“规范化”形式中，带有流的对象通常看起来像这样（其中NNN是一个整数） ：

NNN 0 obj
<<
   % Here are the key:value pairs of the object dictionary
   /Key1 somevalue1
   /Key2 somevalue2
   % ... (more key:value pairs)
>>
stream
% Here is the content of the object stream
endstream
endobj

“图像流”具有基本相同的结构。但是键：值对通常包含以下四个条目，顺序不限（其中 NNN 和 MMM 是整数值，给出图像的宽度和高度像素）：

/Type /XObject
/Subtype /Image
/Width NNN
/Height MMM

---

更新/更正

我的错！我的原始答案包含重复的错字。我在应该使用 Tj 的地方使用了 tj。对于可能造成的任何混乱，我们深表歉意。

Answer 3

显然这不是标准要求，但最近在 IRC 的#Ghostscript 论坛上进行了讨论。该频道已记录，您可以在此处找到讨论：

http://ghostscript.com/irclogs/2014/05/21.html

我们最初建议在 pdf_ops.ps 中将初始文本渲染模式更改为 3，但这对文件没有影响，因为它使用的是 type 3 字体。所以我们建议改为在同一个文件中更改 TJ 和 Tj 的定义。查看日志中的 15:37 左右。