使用 Java 中的 PDFbox 替换或删除 PDF 中的文本

Question

我正在尝试使用 PDFBOX 2.0 替换空白或删除文本模式（在我的情况下，我想从所有 PDF 中删除所有“[QR]”单词），但我找不到任何适合我的内容。

我尝试了 itext，但还是一样，没有任何效果。

我的 pdf 中的“[QR]”字符串是在创建 PDF 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？

我的主要：

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

我的方法（我打印了 Tj 值，但我的模式没有出现在那里）：

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");
}

这是带有一些 [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。

如果您需要，我可以上传我的整个项目

提前致谢。

Answer 1

正如评论中已经提到的，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指令（“>”、“4”、“5”和“@”之前的“空格”实际上是零字节，0x00）。因此，显然编码是某种 16 位编码，另外没有自然嵌入 ASCII。

为了正确考虑字体，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、保存图形状态调用和恢复图形状态调用。然后您必须从正确的资源中检索正确的字体对象。

所有这些实际上已经由用于文本提取的 PDFBox 内容解析框架完成。因此，我们可以围绕这个框架创建一个内容流编辑器。

实际上，这也已经完成了，请参阅PdfContentStreamEditor此答案。

就您的文档而言，要删除的文本片段是由单个文本绘制指令绘制的，每个指令仅绘制要删除的文本片段，我们可以简单地查看当前指令绘制的文本，然后决定是否保留是否有指令：

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");

（编辑页面内容测试testRemoveQrTextNuevo）

根据您的 PDFBox 版本，showGlyph覆盖的方法可能有第五个参数；因此，请检查showGlyph您的 PDFBox 副本的签名，如果此代码不起作用，请进行调整。感谢@DanielNorberg 的提示！

结果，QR 码下方的“[QR]”文本消失了，例如

成为