用Java中的PDFbox替换或删除PDF中的文本

问题描述

我正在尝试使用PDFBox 2.0替换为空或删除文本模式，（在我的情况下，我想从所有PDF中删除所有“ [QR]”词），但找不到任何适用的方法我。

我尝试过itext，但是同样，没有任何效果。

我的pdf文件中的“ [QR]”字符串是在创建PDF文件后进行编辑的，也许这就是为什么它们不显示为tj运算符的原因？

我的主：

replaceText(documentoPDF,"[QR]","");

我的方法（我打印了Tj值，我的图案没有出现在这里）

public void replaceText(PDDocument documentoPDF,String searchString,String replacement) throws IOException{

    for ( PDPage page : documentoPDF.getPages()){
        
        PDFStreamParser parser = new PDFStreamParser(page);
        parser.parse();
        List<?> tokens = parser.getTokens();
        
        for (int j = 0; j < tokens.size(); j++){
            
            Object next = tokens.get(j);
            if (next instanceof Operator){
                Operator op = (Operator) next;
                
                String pstring = "";
                int prej = 0;
                
                //Tj and TJ are the two operators that display strings in a PDF
                if (op.getName().equals("Tj")) 
                {
                    // Tj takes one operator and that is the string to display so lets update that operator
                    COsstring prevIoUs = (COsstring) tokens.get(j - 1);
                    String string = prevIoUs.getString();
                    string = string.replaceFirst(searchString,replacement);
                    prevIoUs.setValue(string.getBytes());
                } else 
                if (op.getName().equals("TJ")) 
                {
                    COSArray prevIoUs = (COSArray) tokens.get(j - 1);
                    for (int k = 0; k < prevIoUs.size(); k++) 
                    {
                        Object arrElement = prevIoUs.getobject(k);
                        if (arrElement instanceof COsstring) 
                        {
                            COsstring cosstring = (COsstring) arrElement;
                            String string = cosstring.getString();
                            
                            if (j == prej) {
                                pstring += string;
                            } else {
                                prej = j;
                                pstring = string;
                            }
                        }                       
                    }                        
                    
                    System.out.println(pstring.trim());
                    
                    if (searchString.equals(pstring.trim())) 
                    {                            
                        COsstring cosstring2 = (COsstring) prevIoUs.getobject(0);
                        cosstring2.setValue(replacement.getBytes());                           

                        int total = prevIoUs.size()-1;    
                        for (int k = total; k > 0; k--) {
                            prevIoUs.remove(k);
                        }                            
                    }
                }
            }
        }
        
        // Now that the tokens are updated we will replace the page content stream.
        PDStream updatedStream = new PDStream(documentoPDF);
        OutputStream out = updatedStream.createOutputStream(COSName.FLATE_DECODE);
        ContentStreamWriter tokenWriter = new ContentStreamWriter(out);
        tokenWriter.writetokens(tokens);            
        out.close();
        page.setContents(updatedStream);
    }

    documentoPDF.save("resources\\resultado\\nuevo.pdf");
}

这是带有某些[QR]模式的pdf示例：http://www.mediafire.com/file/9w3kkc4yozwsfms/file

如果有人可以提供帮助，我将不胜感激。

如果需要，我可以上传我的整个项目

谢谢。

解决方法

正如注释中已经提到的，您的代码不起作用的原因很简单-您完全忽略了该文本字体的编码。在内容流中实际上有[( >) ( 4) ( 5) ( @) ] TJ条指令（“>”，“ 4”，“ 5”和“ @”之前的“空格”实际上是零字节，0x00）。因此，显然，该编码是某种16位编码，另外还没有自然嵌入的ASCII。

要正确考虑字体，必须跟踪当前字体。这意味着解析整个内容流并分析文本字体设置调用，保存图形状态调用以及还原图形状态调用。然后，您必须从正确的资源中检索正确的字体对象。

实际上，所有这些操作已由用于以下操作的PDFBox内容解析框架完成：文本提取。因此，我们可以围绕此框架创建内容流编辑器。

实际上，这也已经完成，请参见PdfContentStreamEditor中的this answer。

就您的文档而言，要删除的文本是由一条单独的文本绘制指令绘制的，而这些指令中的每条仅绘制了一条要删除的文本，我们可以简单地查看当前指令绘制的文本，然后决定是否保留说明：

PDDocument document = ...;
for (PDPage page : document.getDocumentCatalog().getPages()) {
    PdfContentStreamEditor editor = new PdfContentStreamEditor(document,page) {
        final StringBuilder recentChars = new StringBuilder();

        @Override
        protected void showGlyph(Matrix textRenderingMatrix,PDFont font,int code,Vector displacement)
                throws IOException {
            String string = font.toUnicode(code);
            if (string != null)
                recentChars.append(string);

            super.showGlyph(textRenderingMatrix,font,code,displacement);
        }

        @Override
        protected void write(ContentStreamWriter contentStreamWriter,Operator operator,List<COSBase> operands) throws IOException {
            String recentText = recentChars.toString();
            recentChars.setLength(0);
            String operatorString = operator.getName();

            if (TEXT_SHOWING_OPERATORS.contains(operatorString) && "[QR]".equals(recentText))
            {
                return;
            }

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

        final List<String> TEXT_SHOWING_OPERATORS = Arrays.asList("Tj","'","\"","TJ");
    };
    editor.processPage(page);
}
document.save("nuevo-noQrText.pdf");

（EditPageContent测试testRemoveQrTextNuevo）

结果是QR码下面的“ [QR]”文本消失了，例如

成为

java java pdfbox replace