使用 PDFBox 或等效库从 PDF 中删除大标记

Question

我 PDF:s 在许多 pdf 文档的整个首页上贴满了一个非常大的标记，请参见图片。我正在寻找一种自动化的方法来删除这些。

Apache PDFBox 有相当广泛的 API，有什么方法可以通过 Regex 匹配这些标记并简单地删除它们并重新保存 pdf 吗？

图片来自下方发布的 PDF 示例。我想删除的标记是：[KS/2019:589] Lokalvård Grundskolor & Idrottshallar，贴在常规文本的顶部。 Google Drive link to full PDF-file。

Answer 1

您可以像这样使用 PdfContentStreamEditor class from （不要忘记应用答案底部提到的修复）：

try (   PDDocument document = ...   ) {
    PDPage page = document.getPage(0);
    PdfContentStreamEditor editor = new PdfContentStreamEditor(document, page) {
        @Override
        protected void write(ContentStreamWriter contentStreamWriter, Operator operator, List<COSBase> operands) throws IOException {
            String operatorString = operator.getName();

            if (TEXT_SHOWING_OPERATORS.contains(operatorString))
            {
                float fs = getGraphicsState().getTextState().getFontSize();
                Matrix matrix = getTextMatrix().multiply(getGraphicsState().getCurrentTransformationMatrix());
                Point2D.Float transformedFsVector = matrix.transformPoint(0, fs);
                Point2D.Float transformedOrigin = matrix.transformPoint(0, 0);
                double transformedFs = transformedFsVector.distance(transformedOrigin);
                if (transformedFs > 50)
                    return;
            }

            super.write(contentStreamWriter, operator, operands);
        }

        final List<String> TEXT_SHOWING_OPERATORS = Arrays.asList("Tj", "'", "\"", "TJ");
    };
    editor.processPage(page);
    document.save(...);
}

(EditPageContent 测试 testRemoveBigTextKommersAnnonsElite)

您可以在参考答案中找到一些解释。

使用 PDFBox 或等效库从 PDF 中删除大标记

Remove Large Tokens from PDF using PDFBox or equivalent library

java

pdf

parsing

pdfbox