删除其他运算符并仅保留文本运算符（TJ， Tj）pdfBox

Question

我有一个pdf，我希望从中删除所有的图像和其他绘图内容。并将结果另存为新pdf。

我知道如何使用TJ、TJ操作符删除文本，我目前执行的操作如下

op.getOperation().equals( "TJ")

代替删除TJ、Tj运算符，是否可以将这些Text运算符复制到另一个格式完整的pdf文件中，以便新pdf变成纯文本pdf？如果使用Tj以外的文本绘制，则可以，TJ运算符遗漏。

删除TJ的代码，TJ取自此stackoverflow post。但它只起到了部分作用，只是删除了图像，使绘画和其他艺术完好无损。

编辑：我能想到的另一个选项是将BT ET块之外的所有其他操作符的cmyk颜色设置为白色。这样pdf将只显示文本。这可能吗？如果是，请在pdfBox中提供代码示例支持。

Answer 1

...这个stackoverflow帖子。但它部分有效，它只是删除图像，保持绘画和其他艺术完好无损。

位图图形以外的图形的主要来源是矢量图形。它们通常由路径定义组成，后跟填充或抚摸路径的命令。

要删除这些图形，您可以通过使用n操作符（路径绘制no-op）额外替换这些路径敲击或填充操作符来改进您所引用答案中的示例。

            if( token instanceof PDFOperator )
            {
                PDFOperator op = (PDFOperator)token;
                if( op.getOperation().equals( "Do") )
                {
                    //remove the one argument to this operator
                    COSName name = (COSName)newTokens.remove( newTokens.size() -1 );
                    continue;
                }
                else if (PAINTING_PATH_OPS.contains(op.getOperation()))
                {
                    // replace path painting operator by path no-op
                    token = PDFOperator.getOperator("n");
                }
            }

哪里

final static List<String> PAINTING_PATH_OPS = Arrays.asList("S", "s", "F", "f", "f*", "B", "b", "B*", "b*");

包含路径删除或填充运算符。

PS：在参考答案中使用的图像移除代码有两个缺点：

>

它删除了太多，因为它不仅删除了图像XObject，而且还形成了XObject；有时（尤其是在n-up工具输出中），所有内容都驻留在这样的表单XObject中，包括所有文本。

要解决此问题，您必须检查引用的xobject的类型，并且仅当其具有子类型image时才将其删除。由于表单xobject反过来也可以包含图像，因此必须递归到表单xobject（它有自己的内容流）。

它删除的太少，因为它忽略了内联图像。

要解决此问题，您还必须注意BI...键值对... ID...图像数据...内容中的EI部分并将其删除。