iText или iTextSharp элементарное редактирование текста

Question

Я могу извлечь текст из страниц в формате PDF разными способами:

String pageText = PdfTextExtractor.GetTextFromPage(reader, i);

Это может быть использовано для получения любого текста на странице.

В качестве альтернативы:

byte[] contentBytes = iTextSharp.text.pdf.parser.ContentByteUtils.GetContentBytesForPage(reader, i);

Возможности бесконечны.

Теперь я хочу удалить / отредактировать определенное слово, например, явные слова, конфиденциальную информацию (очевидно, что ставить над ними черные ящики - плохая идея:) или что-то еще из PDF (простой и текстовый). Я могу найти это слово очень хорошо, используя подход выше. Я могу сосчитать его появления и т. Д.

Меня не волнует макет или тот факт, что PDF не предназначен для манипулирования таким образом.

Я просто хочу знать, существует ли механизм, который позволил бы мне манипулировать необработанным содержимым моего PDF-файла таким образом. Вы могли бы сказать, что я ищу "SetContentBytesForPage()" ...

Answer 1

Если вы хотите изменить содержимое страницы, недостаточно изменить поток содержимого страницы. Страница может содержать ссылки на объекты XObject, содержащие контент, который вы хотите удалить.

Вторичная проблема состоит из изображений. Например: предположим, что ваш документ состоит из отсканированного документа, который был распознан. В этом случае недостаточно удалить (векторный) текст, вам также нужно будет манипулировать (пиксельным) текстом на изображении.

Предполагая, что вашей вторичной проблемы не существует, вам понадобится двойной подход:

1. получить содержимое страницы в виде текста, чтобы определить, на каких страницах есть имена или слова, которые вы хотите удалить.
2. рекурсивно переберите все потоки контента, чтобы найти этот текст и переписать эти потоки контента без этого текста.

Исходя из вашего вопроса, я предполагаю, что вы уже решили проблему 1. Решение проблемы 2 не так тривиально. В главе 15 моей книги у меня есть пример, где при извлечении текста возвращается "Hello World", но когда вы смотрите внутрь потока контента, вы видите:

BT
/F1 12 Tf
88.66 367 Td
(ld) Tj
-22 0 Td
(Wor) Tj
-15.33 0 Td
(llo) Tj
-15.33 0 Td
(He) Tj
ET

Прежде чем вы сможете удалить "Hello World" из этого фрагмента потока, вам потребуется некоторая эвристика, чтобы ваша программа распознала текст в этом синтаксисе.

Как только вы нашли текст, вам нужно переписать поток. Для вдохновения вы можете взглянуть на функциональность удаления OCG в пакете itext-xtra.

Короче говоря: если ваши PDF-файлы относительно просты, то есть: текст может быть легко обнаружен в другом потоке контента (контент страницы и контент Form XObject), тогда это просто вопрос переписывания этих потоков после некоторых манипуляций со строками.

Я сделал вам простой пример с именем ReplaceStream это заменяет "Hello World" с "HELLO WORLD" в PDF.

public void manipulatePdf(String src, String dest) throws IOException, DocumentException {
    PdfReader reader = new PdfReader(src);
    PdfDictionary dict = reader.getPageN(1);
    PdfObject object = dict.getDirectObject(PdfName.CONTENTS);
    if (object instanceof PRStream) {
        PRStream stream = (PRStream)object;
        byte[] data = PdfReader.getStreamBytes(stream);
        stream.setData(new String(data).replace("Hello World", "HELLO WORLD").getBytes());
    }
    PdfStamper stamper = new PdfStamper(reader, new FileOutputStream(dest));
    stamper.close();
    reader.close();
}

Некоторые предостережения:

• Я проверяю object это поток. Это также может быть массив потоков. В этом случае вам нужно перебрать этот массив.
• Я не проверяю, существуют ли формы XObject для этой страницы.
• Я предполагаю что Hello World может быть легко обнаружен в синтаксисе PDF.
• ...

В реальной жизни PDF-файлы никогда не были такими простыми, и сложность вашего проекта резко возрастет с каждой специальной функцией, которая используется в ваших документах.

Answer 2

C# эквивалент кода Бруно:

static void manipulatePdf(String src, String dest)
    {
        PdfReader reader = new PdfReader(src);
        PdfDictionary dict = reader.GetPageN(1);
        PdfObject pdfObject = dict.GetDirectObject(PdfName.CONTENTS);
        if (pdfObject.IsStream()) {
            PRStream stream = (PRStream)pdfObject;
            byte[] data = PdfReader.GetStreamBytes(stream);
            stream.SetData(System.Text.Encoding.ASCII.GetBytes(System.Text.Encoding.ASCII.GetString(data).Replace("Hello World", "HELLO WORLD")));
        }
        FileStream outStream = new FileStream(dest, FileMode.Create);
        PdfStamper stamper = new PdfStamper(reader, outStream);
        reader.Close();
    }

Я обновлю это, если окажется, что он все еще содержит ошибки.

Answer 3

В продолжение моего предыдущего кода на C# и замечания Бруно о том, что GetDirectObject(PdfName.CONTENTS) также может возвращать массив, а не поток: в моем конкретном случае это оказалось правдой.

Возвращенный объект PdfObject вернул "true" для IsArray(). Я проверил, и все элементы массива были PdfIndirectReference.

Дальнейший взгляд на API дал две полезные части информации:

1. У PdfIndirectReference есть свойство "Number", которое ведет вас к другому PdfObject.
2. Вы можете получить доступ к ссылочному объекту, используя reader.GetPdfObject(int ref), где ref - это свойство "Number" объекта IndirectReferenceObject.

С этого момента вы получаете новый объект PdfObject, который вы можете проверить с помощью IsStream() и изменить его согласно ранее опубликованному коду.

Так что это работает (заметьте, это быстро и грязно, но это работает для моих конкретных целей...):

      // Get the contents of my page...
      PdfObject pdfObject = pageDict.GetDirectObject(PdfName.CONTENTS);

      // Check that this is, in fact, an array or something else...
      if (pdfObject.IsArray())
      {
          PdfArray streamArray = pageDict.GetAsArray(PdfName.CONTENTS);

          for (int j = 0; j < streamArray.Size; j++)
             {
                  PdfIndirectReference arrayEl = (PdfIndirectReference)streamArray[j];

                  PdfObject refdObj = reader.GetPdfObject(arrayEl.Number);

                  if (refdObj.IsStream())
                     {
                        PRStream stream = (PRStream)refdObj;
                        byte[] data = PdfReader.GetStreamBytes(stream);
                        stream.SetData(System.Text.Encoding.ASCII.GetBytes(System.Text.Encoding.ASCII.GetString(data).Replace(targetedText, newText)));
                     }
              }

       }