Удаление водяных знаков из PDF с помощью iTextSharp

Question

Я добавил водяной знак на PDF, используя Pdfstamper. Вот код:

for (int pageIndex = 1; pageIndex <= pageCount; pageIndex++)
{
    iTextSharp.text.Rectangle pageRectangle = reader.GetPageSizeWithRotation(pageIndex);
    PdfContentByte pdfData = stamper.GetUnderContent(pageIndex);
    pdfData.SetFontAndSize(BaseFont.CreateFont(BaseFont.HELVETICA, BaseFont.CP1252, 
        BaseFont.NOT_EMBEDDED), watermarkFontSize);
    PdfGState graphicsState = new PdfGState();
    graphicsState.FillOpacity = watermarkFontOpacity;
    pdfData.SetGState(graphicsState);
    pdfData.SetColorFill(iTextSharp.text.BaseColor.BLACK);
    pdfData.BeginText();
    pdfData.ShowTextAligned(PdfContentByte.ALIGN_CENTER, "LipikaChatterjee", 
        pageRectangle.Width / 2, pageRectangle.Height / 2, watermarkRotation);
    pdfData.EndText();
}

Это отлично работает. Теперь я хочу удалить этот водяной знак из моего PDF. Я посмотрел в iTextSharp, но не смог получить какую-либо помощь. Я даже пытался добавить водяной знак в качестве слоя, а затем удалить слой, но не смог удалить содержимое слоя из PDF. Я посмотрел в iText для удаления слоя и нашел класс OCGRemover, но я не смог получить эквивалентный класс в iTextsharp.

Answer 1

Я собираюсь дать вам преимущество сомнения, основанного на утверждении "Я даже пытался добавить водяной знак как слой", и предположить, что вы работаете над контентом, который вы создаете, и не пытаетесь снять пометку с чужого контента.

PDF-файлы используют дополнительные группы содержимого (OCG) для хранения объектов в виде слоев. Если вы добавите текст водяного знака в слой, вы можете легко удалить его позже.

Приведенный ниже код представляет собой полнофункциональное приложение WinForms на C# 2010, предназначенное для iTextSharp 5.1.1.0. Он использует код, основанный на оригинальном Java-коде Бруно, найденном здесь. Код состоит из трех разделов. В разделе 1 создается образец PDF для работы с нами. Раздел 2 создает новый PDF из первого и применяет водяной знак к каждой странице на отдельном слое. Раздел 3 создает окончательный PDF со второго, но удаляет слой с нашим текстом водяного знака. Смотрите комментарии к коду для получения дополнительной информации.

Когда вы создаете PdfLayer Объекту вы можете присвоить ему имя, которое будет отображаться в программе чтения PDF. К сожалению, я не могу найти способ получить доступ к этому имени, поэтому код ниже ищет фактический текст водяного знака в слое. Если вы не используете дополнительные слои PDF, я бы рекомендовал искать только /OC в потоке контента и не тратя время на поиск вашего фактического текста водяного знака. Если вы найдете способ искать /OC группы по имени, пожалуйста, дайте мне знать!

using System;
using System.Windows.Forms;
using System.IO;
using iTextSharp.text;
using iTextSharp.text.pdf;

namespace WindowsFormsApplication1 {
    public partial class Form1 : Form {
        public Form1() {
            InitializeComponent();
        }

        private void Form1_Load(object sender, EventArgs e) {
            string workingFolder = Environment.GetFolderPath(Environment.SpecialFolder.Desktop);
            string startFile = Path.Combine(workingFolder, "StartFile.pdf");
            string watermarkedFile = Path.Combine(workingFolder, "Watermarked.pdf");
            string unwatermarkedFile = Path.Combine(workingFolder, "Un-watermarked.pdf");
            string watermarkText = "This is a test";

            //SECTION 1
            //Create a 5 page PDF, nothing special here
            using (FileStream fs = new FileStream(startFile, FileMode.Create, FileAccess.Write, FileShare.None)) {
                using (Document doc = new Document(PageSize.LETTER)) {
                    using (PdfWriter witier = PdfWriter.GetInstance(doc, fs)) {
                        doc.Open();

                        for (int i = 1; i <= 5; i++) {
                            doc.NewPage();
                            doc.Add(new Paragraph(String.Format("This is page {0}", i)));
                        }

                        doc.Close();
                    }
                }
            }

            //SECTION 2
            //Create our watermark on a separate layer. The only different here is that we are adding the watermark to a PdfLayer which is an OCG or Optional Content Group
            PdfReader reader1 = new PdfReader(startFile);
            using (FileStream fs = new FileStream(watermarkedFile, FileMode.Create, FileAccess.Write, FileShare.None)) {
                using (PdfStamper stamper = new PdfStamper(reader1, fs)) {
                    int pageCount1 = reader1.NumberOfPages;
                    //Create a new layer
                    PdfLayer layer = new PdfLayer("WatermarkLayer", stamper.Writer);
                    for (int i = 1; i <= pageCount1; i++) {
                        iTextSharp.text.Rectangle rect = reader1.GetPageSize(i);
                        //Get the ContentByte object
                        PdfContentByte cb = stamper.GetUnderContent(i);
                        //Tell the CB that the next commands should be "bound" to this new layer
                        cb.BeginLayer(layer);
                        cb.SetFontAndSize(BaseFont.CreateFont(BaseFont.HELVETICA, BaseFont.CP1252, BaseFont.NOT_EMBEDDED), 50);
                        PdfGState gState = new PdfGState();
                        gState.FillOpacity = 0.25f;
                        cb.SetGState(gState);
                        cb.SetColorFill(BaseColor.BLACK);
                        cb.BeginText();
                        cb.ShowTextAligned(PdfContentByte.ALIGN_CENTER, watermarkText, rect.Width / 2, rect.Height / 2, 45f);
                        cb.EndText();
                        //"Close" the layer
                        cb.EndLayer();
                    }
                }
            }

            //SECTION 3
            //Remove the layer created above
            //First we bind a reader to the watermarked file, then strip out a bunch of things, and finally use a simple stamper to write out the edited reader
            PdfReader reader2 = new PdfReader(watermarkedFile);

            //NOTE, This will destroy all layers in the document, only use if you don't have additional layers
            //Remove the OCG group completely from the document.
            //reader2.Catalog.Remove(PdfName.OCPROPERTIES);

            //Clean up the reader, optional
            reader2.RemoveUnusedObjects();

            //Placeholder variables
            PRStream stream;
            String content;
            PdfDictionary page;
            PdfArray contentarray;

            //Get the page count
            int pageCount2 = reader2.NumberOfPages;
            //Loop through each page
            for (int i = 1; i <= pageCount2; i++) {
                //Get the page
                page = reader2.GetPageN(i);
                //Get the raw content
                contentarray = page.GetAsArray(PdfName.CONTENTS);
                if (contentarray != null) {
                    //Loop through content
                    for (int j = 0; j < contentarray.Size; j++) {
                        //Get the raw byte stream
                        stream = (PRStream)contentarray.GetAsStream(j);
                        //Convert to a string. NOTE, you might need a different encoding here
                        content = System.Text.Encoding.ASCII.GetString(PdfReader.GetStreamBytes(stream));
                        //Look for the OCG token in the stream as well as our watermarked text
                        if (content.IndexOf("/OC") >= 0 && content.IndexOf(watermarkText) >= 0) {
                            //Remove it by giving it zero length and zero data
                            stream.Put(PdfName.LENGTH, new PdfNumber(0));
                            stream.SetData(new byte[0]);
                        }
                    }
                }
            }

            //Write the content out
            using (FileStream fs = new FileStream(unwatermarkedFile, FileMode.Create, FileAccess.Write, FileShare.None)) {
                using (PdfStamper stamper = new PdfStamper(reader2, fs)) {

                }
            }
            this.Close();
        }
    }
}

Answer 2

В качестве дополнения к ответу Криса в нижней части этого поста включен класс VB.Net для удаления слоя, который должен быть немного более точным.

1. Он проходит через список слоев PDF (хранится в OCGs массив в OCProperties словарь в каталоге файла). Этот массив содержит косвенные ссылки на объекты в файле PDF, которые содержат имя
2. Он просматривает свойства страницы (также хранящиеся в словаре), чтобы найти свойства, которые указывают на объекты слоя (через косвенные ссылки).
3. Это делает фактический анализ потока контента, чтобы найти экземпляры шаблона /OC /{PagePropertyReference} BDC {Actual Content} EMC так что он может удалить только эти сегменты в зависимости от ситуации

Затем код очищает все ссылки настолько, насколько это возможно. Вызов кода может работать так, как показано:

Public Shared Sub RemoveWatermark(path As String, savePath As String)
  Using reader = New PdfReader(path)
    Using fs As New FileStream(savePath, FileMode.Create, FileAccess.Write, FileShare.None)
      Using stamper As New PdfStamper(reader, fs)
        Using remover As New PdfLayerRemover(reader)
          remover.RemoveByName("WatermarkLayer")
        End Using
      End Using
    End Using
  End Using
End Sub

Полный класс:

Imports iTextSharp.text
Imports iTextSharp.text.io
Imports iTextSharp.text.pdf
Imports iTextSharp.text.pdf.parser

Public Class PdfLayerRemover
  Implements IDisposable

  Private _reader As PdfReader
  Private _layerNames As New List(Of String)

  Public Sub New(reader As PdfReader)
    _reader = reader
  End Sub

  Public Sub RemoveByName(name As String)
    _layerNames.Add(name)
  End Sub

  Private Sub RemoveLayers()
    Dim ocProps = _reader.Catalog.GetAsDict(PdfName.OCPROPERTIES)
    If ocProps Is Nothing Then Return
    Dim ocgs = ocProps.GetAsArray(PdfName.OCGS)
    If ocgs Is Nothing Then Return

    'Get a list of indirect references to the layer information
    Dim layerRefs = (From l In (From i In ocgs
                                Select Obj = DirectCast(PdfReader.GetPdfObject(i), PdfDictionary),
                                       Ref = DirectCast(i, PdfIndirectReference))
                     Where _layerNames.Contains(l.Obj.GetAsString(PdfName.NAME).ToString)
                     Select l.Ref).ToList
    'Get a list of numbers for these layer references
    Dim layerRefNumbers = (From l In layerRefs Select l.Number).ToList

    'Loop through the pages
    Dim page As PdfDictionary
    Dim propsToRemove As IEnumerable(Of PdfName)
    For i As Integer = 1 To _reader.NumberOfPages
      'Get the page
      page = _reader.GetPageN(i)

      'Get the page properties which reference the layers to remove
      Dim props = _reader.GetPageResources(i).GetAsDict(PdfName.PROPERTIES)
      propsToRemove = (From k In props.Keys Where layerRefNumbers.Contains(props.GetAsIndirectObject(k).Number) Select k).ToList

      'Get the raw content
      Dim contentarray = page.GetAsArray(PdfName.CONTENTS)
      If contentarray IsNot Nothing Then
        For j As Integer = 0 To contentarray.Size - 1
          'Parse the stream data looking for references to a property pointing to the layer.
          Dim stream = DirectCast(contentarray.GetAsStream(j), PRStream)
          Dim streamData = PdfReader.GetStreamBytes(stream)
          Dim newData = GetNewStream(streamData, (From p In propsToRemove Select p.ToString.Substring(1)))

          'Store data without the stream references in the stream
          If newData.Length <> streamData.Length Then
            stream.SetData(newData)
            stream.Put(PdfName.LENGTH, New PdfNumber(newData.Length))
          End If
        Next
      End If

      'Remove the properties from the page data
      For Each prop In propsToRemove
        props.Remove(prop)
      Next
    Next

    'Remove references to the layer in the master catalog
    RemoveIndirectReferences(ocProps, layerRefNumbers)

    'Clean up unused objects
    _reader.RemoveUnusedObjects()
  End Sub

  Private Shared Function GetNewStream(data As Byte(), propsToRemove As IEnumerable(Of String)) As Byte()
    Dim item As PdfLayer = Nothing
    Dim positions As New List(Of Integer)
    positions.Add(0)

    Dim pos As Integer
    Dim inGroup As Boolean = False
    Dim tokenizer As New PRTokeniser(New RandomAccessFileOrArray(New RandomAccessSourceFactory().CreateSource(data)))
    While tokenizer.NextToken
      If tokenizer.TokenType = PRTokeniser.TokType.NAME AndAlso tokenizer.StringValue = "OC" Then
        pos = CInt(tokenizer.FilePointer - 3)
        If tokenizer.NextToken() AndAlso tokenizer.TokenType = PRTokeniser.TokType.NAME Then
          If Not inGroup AndAlso propsToRemove.Contains(tokenizer.StringValue) Then
            inGroup = True
            positions.Add(pos)
          End If
        End If
      ElseIf tokenizer.TokenType = PRTokeniser.TokType.OTHER AndAlso tokenizer.StringValue = "EMC" AndAlso inGroup Then
        positions.Add(CInt(tokenizer.FilePointer))
        inGroup = False
      End If
    End While
    positions.Add(data.Length)

    If positions.Count > 2 Then
      Dim length As Integer = 0
      For i As Integer = 0 To positions.Count - 1 Step 2
        length += positions(i + 1) - positions(i)
      Next

      Dim newData(length) As Byte
      length = 0
      For i As Integer = 0 To positions.Count - 1 Step 2
        Array.Copy(data, positions(i), newData, length, positions(i + 1) - positions(i))
        length += positions(i + 1) - positions(i)
      Next

      Dim origStr = System.Text.Encoding.UTF8.GetString(data)
      Dim newStr = System.Text.Encoding.UTF8.GetString(newData)

      Return newData
    Else
      Return data
    End If
  End Function

  Private Shared Sub RemoveIndirectReferences(dict As PdfDictionary, refNumbers As IEnumerable(Of Integer))
    Dim newDict As PdfDictionary
    Dim arrayData As PdfArray
    Dim indirect As PdfIndirectReference
    Dim i As Integer

    For Each key In dict.Keys
      newDict = dict.GetAsDict(key)
      arrayData = dict.GetAsArray(key)
      If newDict IsNot Nothing Then
        RemoveIndirectReferences(newDict, refNumbers)
      ElseIf arrayData IsNot Nothing Then
        i = 0
        While i < arrayData.Size
          indirect = arrayData.GetAsIndirectObject(i)
          If refNumbers.Contains(indirect.Number) Then
            arrayData.Remove(i)
          Else
            i += 1
          End If
        End While
      End If
    Next
  End Sub

#Region "IDisposable Support"
  Private disposedValue As Boolean ' To detect redundant calls

  ' IDisposable
  Protected Overridable Sub Dispose(disposing As Boolean)
    If Not Me.disposedValue Then
      If disposing Then
        RemoveLayers()
      End If

      ' TODO: free unmanaged resources (unmanaged objects) and override Finalize() below.
      ' TODO: set large fields to null.
    End If
    Me.disposedValue = True
  End Sub

  ' TODO: override Finalize() only if Dispose(ByVal disposing As Boolean) above has code to free unmanaged resources.
  'Protected Overrides Sub Finalize()
  '    ' Do not change this code.  Put cleanup code in Dispose(ByVal disposing As Boolean) above.
  '    Dispose(False)
  '    MyBase.Finalize()
  'End Sub

  ' This code added by Visual Basic to correctly implement the disposable pattern.
  Public Sub Dispose() Implements IDisposable.Dispose
    ' Do not change this code.  Put cleanup code in Dispose(ByVal disposing As Boolean) above.
    Dispose(True)
    GC.SuppressFinalize(Me)
  End Sub
#End Region

End Class