从PDF过滤出超过特定字体大小的所有文本

Question

如标题所示，我想从PDF中过滤出超过特定字体大小的所有文本。当前，我正在使用PDFBox库，但可以使用其他任何Java免费库。

我的方法是使用PDFStreamParser遍历令牌。当我通过大小大于阈值的Tf运算符时，不要添加下一个看到的Tj /
TJ。但是，对我来说很清楚，这种相对简单的方法将不起作用，因为文本可能会被当前的转换矩阵缩放。

有没有我可能会采用的更好的方法，或者使我的方法行得通而不复杂的方法？

Answer 1

你的方法

当我通过大小大于阈值的Tf运算符时，不要添加下一个看到的Tj / TJ。

太简单了。

一方面，当您评论自己时，

文本可以通过当前变换矩阵缩放。

（实际上不仅是通过转换矩阵，而且还通过文本矩阵！）

因此，您必须跟踪这些矩阵。

另一方面， Tf 不仅设置了所 看到 的 下一个文本绘图指令 的基本字体大小，还设置了字体大小，直到该字体大小被其他指令明确更改为止。

此外，文本字体大小和当前的转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，要针对当前状态编辑内容流，您必须跟踪许多信息。幸运的是，PDFBox包含的类可以在此进行繁重的工作，基于的类层次结构PDFStreamEngine使您可以专注于自己的任务。为了使尽可能多的信息可用于编辑，PDFGraphicsStreamEngine该类似乎是一个不错的选择。

通用内容流编辑器类

因此，我们得出PdfContentStreamEditor从PDFGraphicsStreamEngine和添加一些代码，用于生成替代内容流。

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）

此代码将覆盖processPage以创建新的页面内容流，并最终用它替换旧的页面内容流。并且它重写processOperator以提供处理后的指令进行编辑。

对于编辑，write这里只是覆盖。现有的实现只是简单地编写指令，而您可以更改要编写的指令。通过覆盖，nextOperation可以在应用当前指令_之前先_ 查看图形状态。

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

从PDF中过滤出所有超过特定字体大小的文本。

因此，我们必须检查write当前指令是否为文本绘制指令，如果是，则必须检查当前有效字体大小，即由文本矩阵和当前转换矩阵转换的基本字体大小。如果有效字体太大，我们必须删除指令。

可以按照以下步骤进行：

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）

严格说来，完全放弃所讨论的指令可能是不够的；取而代之的是，必须像替换放置的文本绘制指令那样，用替换文本矩阵的指令替换它。否则，以下未删除的文本可能会被移动。通常，这确实可以正常工作，因为为以下不同文本重新设置了文本矩阵。因此，让我们在这里保持简单。

约束和说明

这PdfContentStreamEditor仅编辑页面内容流。从那里开始，可以使用XObjects和Patterns，它们当前未被编辑器编辑。但是，在编辑页面内容流之后，应该很容易地递归地迭代XObjects和Patterns并以类似的方式对其进行编辑。

这PdfContentStreamEditor本质上是的一个端口PdfContentStreamEditor为iText的5（.NET
/爪哇）从这个答案和PdfCanvasEditor用于iText的7从这个答案。使用这些编辑器类的示例可能会提示如何将其PdfContentStreamEditor用于PDFBox。

之前在HelloSignManipulator类的此答案中使用了类似（但不太通用）的方法。

修正错误

在此问题的上下文中，PdfContentStreamEditor发现了一个错误，该错误导致该示例PDF中的某些文本行被移动了。

背景：一些PDF指令是通过其他指令定义的，例如 t x t y TD 被指定为具有与 -t y TL t x t
y Td 相同的效果。OperatorProcessor为了简化工作，相应的PDFBox 实现通过将等效指令反馈回流引擎来工作。

PdfContentStreamEditor在这种情况下，如上实现的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，使用
TD 指令时，文本插入点将前移两行，而不是前一行。

因此，我们必须忽略更换指示。为此，将processOperator上面的方法替换为

@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;