java - 如何从 PDF 文件中删除所有图像/绘图并仅保留 Java 中的文本？

Question

我有一个 PDF 文件，它是 OCR 处理器的输出，这个 OCR 处理器识别图像，将文本添加到 pdf，但最后放置了一个低质量的图像而不是原始图像(我不知道为什么有人会那样做，但他们这样做了)。

所以，我想获取此 PDF，删除图像流并单独保留文本，以便我可以获取它并将其导入(使用 iText 页面导入功能)到我用真实图像创建自己的 PDF .

在有人问之前，我已经尝试使用另一种工具来提取文本坐标 (JPedal)，但是当我在 PDF 上绘制文本时，它与原始位置不在同一位置。

我宁愿用 Java 完成这项工作，但如果其他工具可以做得更好，请告诉我。它可能只是图像删除，我可以忍受其中有图纸的 PDF。

Answer 1

我在类似情况下使用了 Apache PDFBox。

更具体一点，尝试这样的事情:

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");
    }
}

它应该删除所有类型的图像(png、jpeg 等)。它应该像这样工作:

.