在未压缩的 PDF 中进行批量内联编辑

Question

我有一个很大的 PDF（~20mb，160mb。未压缩）。 我需要在其中的文本中进行查找和替换，大约 1000 次。 这是我尝试过的。

1. 通过 SVG

   • 转换为 SVG (inkscape)
   • 逐行读取 SVG 并在文件中进行替换
   • 转换回 PDF

=> 输出错误，可能是由于 SVG 中的一些几何变换矩阵，文本渲染不好

1. 创建 ~1000 sed 命令

   • 解压缩 PDF
   • 使用 sed 命令执行每次替换
   • 重新压缩 PDF

=> 太长了。每个 sed 命令大约需要 20 秒，导致处理几个小时

1. 逐行读取并替换

   • 解压缩 PDF
   • 逐行阅读 PDF
     • 查找要替换的文本
     • 使用 perl 替换
     • 将行写入新文件
   • 压缩新文件

=> 由于未压缩的 PDF 中存在剩余数据流，新文件显然已损坏（将二进制写入文本行）

我想知道是否可以逐行读取未压缩的 PDF，但直接在其中进行编辑。我怎么能这样做？

我已经搜索过 perl 内联编辑，但它一次执行整个文件中的更改，而我想编辑一行。

非常欢迎其他想法；）

根据建议，我使用了 CAM::PDF，这是最有效和最简单的解决方案

Answer 1

2.和3没有区别。sed逐行读取输入文件，将改变的行写入输出文件。如果您将-i 切换到它，sed 只是打开输入文件然后取消链接（这是rm 所做的）然后打开具有相同名称的输出文件并写入。而已。不涉及魔法。因此，如果您通过 Perl 而不是sed 损坏了内容，那么您所做的事情与sed 不同。主要区别在于，您可以使 Perl 脚本更快地替换许多字符串。见Using sed on text files with a csv

主要技巧是您可以为搜索和替换编译正则表达式，它在线性时间内起作用。

my %replace = ( foo => 'bar' );
my $re = join '|', map quotemeta, keys %replace;
$re = qr/($re)/;

while (<>) {
    s/$re/$replace{$1}/g;
}

您可以将它与您的原始方法一起使用，但我建议您在 Perl 脚本中制作它，这样您就可以保留正则表达式并替换 pdf 文件之间的哈希值。您也可以尝试将其与CAM::PDF 结合使用。其中有示例脚本changepagestring.pl。您还可以查看PDF::API2，这需要更多的工作，但可能会提供更好的结果。但请记住，PDF 格式不适合修改。

Answer 2

您可以按照中所述的 pdftk 步骤进行操作 How to find and replace text in a existing PDF file with PDFTK (or other command line application)

您可以先将 PDF 拆分为较小的文档，每个文档有几页，替换文本并再次将它们合并在一起 - 全部使用 pdftk。

还有 PDFEdit 软件 (http://pdfedit.cz/en/index.html)。它是一个带有脚本界面的 GUI 应用程序。您可以处理单个页面，然后使用脚本命令进行查找替换。看看它是否会加载您的 PDF。