从PDF中过滤掉特定字体大小以上的所有文本

Question

正如标题所说，我想过滤掉PDF中超过一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Java免费库。

我的方法是使用PDFStreamParser来迭代令牌。当我通过一个大小大于我的阈值的Tf操作符时，不要添加看到的下一个Tj/Tj。然而，我已经很清楚，这种相对简单的方法不会奏效，因为文本可能会被当前的转换矩阵缩放。

有没有更好的方法可以让我采用，或者让我的方法不变得太复杂？

Answer 1

你的做法

当我通过一个大小大于阈值的Tf运算符时，不要添加看到的下一个Tj/TJ。

这太简单了。

一方面，正如你自己所说，

文本可以通过当前变换矩阵进行缩放。

（实际上不仅通过变换矩阵，还通过文本矩阵！）

因此，您必须跟踪这些矩阵。

另一方面，Tf不仅为看到的下一条文本绘制指令设置基本字体大小，它还会一直设置，直到其他指令显式更改该大小。

此外，文本字体大小和当前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，要根据当前状态编辑内容流，必须跟踪大量信息。幸运的是，PDFBox包含了一些类来完成这里的繁重工作，它们是基于PDFStreamEngine的类层次结构，允许您集中精力完成任务。为了获得尽可能多的可编辑信息，PDFGraphicsStreamEngine类似乎是一个不错的选择。

因此，让我们从PDFGraphicsStreamEngine派生出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页面内容流。它会覆盖processOperator，以提供经过处理的编辑指令。

对于编辑，只需在此处覆盖write。现有的实现只是在指令出现时写入指令，而您可以更改要写入的指令。覆盖nextAction允许您在应用当前指令之前查看图形状态。

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 testtestIdentityInput）

因此，将创建具有等效内容流的结果PDF。

你想

过滤掉超过特定字体大小的PDF中的所有文本。

因此，我们必须在write中检查当前指令是否是文本绘制指令，如果是，我们必须检查当前有效字体大小，即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，我们必须放弃指令。

这可以通过以下方式实现：

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 testtestRemoveBigTextDocument）

严格地说，完全放弃有问题的指令可能是不够的；取而代之的是，必须用一条指令来替换它，以更改文本矩阵，就像删除的文本绘制指令所做的那样。否则，可能会移动以下未删除的文本。不过，这通常会按原样工作，因为文本矩阵是为以下不同的文本新设置的。让我们在这里保持简单。

此PdfContentStreamEditor仅编辑页面内容流。从那里可以使用当前未经编辑器编辑的XObject和Pattern。不过，在编辑页面内容流之后，递归地迭代XObject和模式并以类似的方式编辑它们应该很容易。

这个PdfContentStreamEditor本质上是这个答案中的iText 5（.Net/Java）的PdfContentStreamEditor端口，以及这个答案中的iText 7的PdfCanvasEditor端口。使用这些编辑器类的示例可能会给出一些提示，说明如何将此PdfContentStreamEditor用于PDFBox。

在此答案中，HelloSignManipulator类之前使用了类似（但不太通用）的方法。

在这个问题的上下文中，发现了PdfContentStreamEditor中的一个错误，该错误导致示例PDF中的一些文本行在焦点处被移动。

背景：一些PDF指令是通过其他指令定义的，例如t_xt_yTD被指定与-t_yTL t_xt_yTD具有相同的效果。为了简单起见，相应的PDFBoxOperatorProcessor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，并将它们全部写回结果流。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，我们不得不忽略更换说明。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;