从 PDF 中删除文本答案

【问题标题】：Removing text from PDF从 PDF 中删除文本
【发布时间】：2012-10-01 13:24:16
【问题描述】：

我正在寻找从 pdf 中删除/删除所有文本的解决方案。我已经使用 iTextSharp 有一段时间了，使用它从 pdf 中提取文本很容易（不使用 OCR）。但是我找不到删除文本的选项。

This solution 坦率地说对我不起作用。

    page.GetAsArray(PdfName.CONTENTS);

为我返回 null，在使用 PdfName.Text 和我尝试过的其他一些时也是如此。

使用的库并不重要，我只是认为 iTextsharp 应该能够做到这一点。但是，如果有其他（免费）解决方案，请带上它

编辑：只是为了弄清楚我为什么要从 pdf 中删除所有文本

我想减小 pdf 的大小。我通过降低 pdf 中图像的分辨率来做到这一点。然而，在很多情况下，矢量图占据了大部分空间。所以我想到了以下几点：删除所有文本，而不是将剩余的 pdf（仅包含图像和矢量）转换为位图 (jpeg)。之后，我再次将文本粘贴在上面。另一种选择是使文本不可见，但我认为这并不容易。

【问题讨论】：

澄清一下，您正试图从 pdf 中删除文本，但保留图像原样？
进一步澄清：您想删除所有可识别文本的痕迹，所以取而代之的是白色区域？或者您想将包含字体的文本转换为小的光栅图像，以便复制'n'粘贴相同的文本不再起作用（但阅读它仍然有效）？或者，将完整的 PDF 页面转换为一个光栅图像（而不是一组矢量对象），这样 copy'n'paste 不再起作用？
我的目标是从 pdf 中完全删除所有文本（不是位图），其余部分保持原样。

【解决方案1】：

页面字典的/Contents 并不总是由数组组成。如果内容以流的形式存储，GetAsArray() 显然会返回 null。
假设您使用GetAsStream() 并从流中删除所有文本内容，那么XObjects 中可能仍有文本内容。该文本不会从内容流中引用，但 iText 将无法将 XObject 作为“未使用的对象”删除，因为这些对象仍会从页面字典中的 /Resources 中引用。

请阅读ISO-32000-1 以找出您做错了什么。

【讨论】：

GetAsStream() 确实返回了一些东西。但是如果我从流中删除所有内容，整个页面都是空白的，图像也会被删除。如何仅从流中删除文本？谢谢
需要解析PDF语法，保留所有图形状态算子，保留所有图形状态算子。对于每个“Do”运算符，您需要检查您是在处理 Form XObject 还是 Image XObject。您必须保留所有 Image XObject，并检查所有 Form XObject（再次丢弃文本，并保留图形状态和图像）。如果你雇人来做这件事，请指望支付 2 到 3 天的工作时间。
抱歉，我没有雇人为我做这件事。我更新了我的问题，为什么要删除所有文本。
我已阅读您的要求。您应该从学习 ISO-32000-1 开始（需要几个星期）。然后你应该编写一个 PDF 语法解析器来创建 2 个不同的 PDF：一个包含文本，一个包含图像。然后用图像对 PDF 做任何需要的魔法。最后将PDF与文本叠加在PDF与图像上。如果您对 iText 一无所知，则需要几周时间。结果可能不是你所期望的。矢量图像通常比光栅图像占用更少的空间。
如果不是那么特别，你为什么不开始编码 ;-)

【解决方案2】：

既然你已经更新了你的问题，并透露了预期措施的动机，让我告诉你真相：

这些措施绝不会减小 PDF 的大小。
相反，它们会导致文件大量增加：
1. 先删除文本+字体可能会导致大小略有缩小，是的。
2. 然后将页面的剩余部分转换为位图肯定会大大增加尺寸（或者您同意非常低的图像质量，也许？）。
3. 最后再次“粘贴”文本将再次增加文件大小（很可能与您在第一步中保存的数量相同）。

这根本不是一个好计划。

如果您提供（指向）一个典型的 PDF 示例文件，我可能会想出一个 Ghostscript（以及其他工具）命令行，它可以开箱即用并更有效地缩小 PDF 大小。

【讨论】：

很抱歉，我不能分享 pdf，但我可以告诉你。所有 pdf 的大小都是 A4。它们通常包含很多非常详细的矢量图像，占用数 MB，而作为位图，它们可以是 100kb。我对文件大小进行了研究，发现差异很大。

【解决方案3】：

要删除 PDF 中的所有文本，最简单的解决方案是使用 ghostcript

gs -o output_no_text.pdf -sDEVICE=pdfwrite -dFILTERTEXT  input.pdf

【讨论】：