Как удалить все изображения/рисунки из файла PDF и оставить текст только на Java?

У меня есть файл PDF, который выводит из OCR-процессора, этот OCR-процессор распознает изображение, добавляет текст в pdf, но в конце помещает изображение низкого качества вместо оригинального (я понятия не имею, почему кто-то будут делать это, но они это делают).

Итак, я хотел бы получить этот PDF файл, удалить поток изображений и оставить текст в покое, чтобы я мог его получить и импортировать (используя функцию импорта страницы iText) в PDF файл, который я создаю себе с реальным изображением.

И прежде чем кто-то спросит, я уже пытался использовать другой инструмент для извлечения текстовых координат (JPedal), но когда я рисую текст в моем PDF файле, он не находится в том же положении, что и исходный.

Я бы предпочел сделать это на Java, но если другой инструмент может сделать это лучше, просто дайте мне знать. И это может быть только удаление изображений, я могу жить с PDF с рисунками там.

Ответы

Ответ 1

Я использовал Apache PDFBox в аналогичной ситуации.

Чтобы быть немного более конкретным, попробуйте что-то вроде этого:

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");
    }
}

Предполагается удалить все типы изображений (png, jpeg,...). Он должен работать следующим образом:

Пример статьи http://s3.postimage.org/28f6boykk/before.jpg.

Ответ 2

Вам необходимо проанализировать документ следующим образом:

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;
}