Làm cách nào để xóa tất cả hình ảnh/bản vẽ khỏi tệp PDF và chỉ để văn bản trong Java?

Question

Tôi có tệp PDF là đầu ra từ bộ xử lý OCR, bộ xử lý OCR này nhận dạng hình ảnh, thêm văn bản vào pdf nhưng ở vị trí cuối cùng có hình ảnh chất lượng thấp thay vì bản gốc. làm điều đó, nhưng họ làm).

Vì vậy, tôi muốn nhận tệp PDF này, xóa luồng hình ảnh và để nguyên văn bản, để tôi có thể lấy và nhập (sử dụng tính năng nhập trang iText) thành PDF tôi đang tạo hình ảnh.

Và trước khi ai đó hỏi, tôi đã cố gắng sử dụng công cụ khác để trích xuất tọa độ văn bản (JPedal) nhưng khi tôi vẽ văn bản trên tệp PDF, nó không ở vị trí giống với văn bản gốc.

Tôi muốn thực hiện điều này trong Java, nhưng nếu một công cụ khác có thể làm tốt hơn, hãy cho tôi biết. Và nó có thể được loại bỏ hình ảnh chỉ, tôi có thể sống với một PDF với các bản vẽ trong đó.

Answer 1

Tôi đã sử dụng Apache PDFBox trong tình huống tương tự.

Để cụ thể hơn một chút, hãy thử một cái gì đó như thế:

import org.apache.pdfbox.exceptions.COSVisitorException; 
import org.apache.pdfbox.exceptions.CryptographyException; 
import org.apache.pdfbox.exceptions.InvalidPasswordException; 
import org.apache.pdfbox.pdmodel.PDDocument; 
import org.apache.pdfbox.pdmodel.PDDocumentCatalog; 
import org.apache.pdfbox.pdmodel.PDPage; 
import org.apache.pdfbox.pdmodel.PDResources; 
import java.io.IOException; 

public class Main { 
    public static void main(String[] argv) throws COSVisitorException, InvalidPasswordException, CryptographyException, IOException { 
     PDDocument document = PDDocument.load("input.pdf"); 

     if (document.isEncrypted()) { 
      document.decrypt(""); 
     } 

     PDDocumentCatalog catalog = document.getDocumentCatalog(); 
     for (Object pageObj : catalog.getAllPages()) { 
      PDPage page = (PDPage) pageObj; 
      PDResources resources = page.findResources(); 
      resources.getImages().clear(); 
     } 

     document.save("strippedOfImages.pdf"); 
    } 
} 

Đó là nghĩa vụ phải loại bỏ tất cả các loại hình ảnh (png, jpeg, ...). Nó sẽ hoạt động như sau:

Sample article http://s3.postimage.org/28f6boykk/before.jpg.

Answer 2

Bạn cần phải phân tích các tài liệu như sau:

public static void strip(String pdfFile, String pdfFileOut) throws Exception { 

    PDDocument doc = PDDocument.load(pdfFile); 

    List pages = doc.getDocumentCatalog().getAllPages(); 
    for(int i=0; i<pages.size(); i++) { 
     PDPage page = (PDPage)pages.get(i); 

     // added 
     COSDictionary newDictionary = new COSDictionary(page.getCOSDictionary()); 

     PDFStreamParser parser = new PDFStreamParser(page.getContents()); 
     parser.parse(); 
     List tokens = parser.getTokens(); 
     List newTokens = new ArrayList(); 
     for(int j=0; j<tokens.size(); j++) { 
      Object token = tokens.get(j); 

      if(token instanceof PDFOperator) { 
       PDFOperator op = (PDFOperator)token; 
       if(op.getOperation().equals("Do")) { 
        //remove the one argument to this operator 
        // added 
        COSName name = (COSName)newTokens.remove(newTokens.size() -1); 
        // added 
        deleteObject(newDictionary, name); 
        continue; 
       } 
      } 
      newTokens.add(token); 
     } 
     PDStream newContents = new PDStream(doc); 
     ContentStreamWriter writer = new ContentStreamWriter(newContents.createOutputStream()); 
     writer.writeTokens(newTokens); 
     newContents.addCompression(); 

     page.setContents(newContents); 

     // added 
     PDResources newResources = new PDResources(newDictionary); 
     page.setResources(newResources); 
    } 

    doc.save(pdfFileOut); 
    doc.close(); 
} 


// added 
public static boolean deleteObject(COSDictionary d, COSName name) { 
    for(COSName key : d.keySet()) { 
     if(name.equals(key)) { 
      d.removeItem(key); 
      return true; 
     } 
     COSBase object = d.getDictionaryObject(key); 
     if(object instanceof COSDictionary) { 
      if(deleteObject((COSDictionary)object, name)) { 
       return true; 
      } 
     } 
    } 
    return false; 
}