metadata - 如何识别 PDF 水印并使用 PDFBox 将其删除

Question

我正在尝试使用 Apache PDFBox 库从 PDF 文件中提取除水印文本之外的文本，所以我想先删除水印，剩下的就是我想要的。但不幸的是，PDmetadata 和 PDXObject 都无法识别水印，任何帮助将不胜感激。我在下面找到了一些代码。

        // Open PDF document
    PDDocument document = null;
    try {
        document = PDDocument.load(PATH_TO_YOUR_DOCUMENT);
    } catch (IOException e) {
        e.printStackTrace();
    }
    // Get all pages and loop through them
    List pages = document.getDocumentCatalog().getAllPages();
    Iterator iter = pages.iterator();
    while( iter.hasNext() ) {
        PDPage page = (PDPage)iter.next();
        PDResources resources = page.getResources();            
        Map images = null;
        // Get all Images on page
        try {
            images = resources.getImages();//How to specify watermark instead of images??
        } catch (IOException e) {
            e.printStackTrace();
        }
        if( images != null ) {
            // Check all images for metadata
            Iterator imageIter = images.keySet().iterator();
            while( imageIter.hasNext() ) {
                String key = (String)imageIter.next();
                PDXObjectImage image = (PDXObjectImage)images.get( key );
                PDMetadata metadata = image.getMetadata();
                System.out.println("Found a image: Analyzing for Metadata");
                if (metadata == null) {
                    System.out.println("No Metadata found for this image.");
                } else {
                    InputStream xmlInputStream = null;
                    try {
                        xmlInputStream = metadata.createInputStream();
                    } catch (IOException e) {
                        e.printStackTrace();
                    }
                    try {
                        System.out.println("--------------------------------------------------------------------------------");
                        String mystring = convertStreamToString(xmlInputStream);
                        System.out.println(mystring);
                    } catch (IOException e) {
                        e.printStackTrace();
                    }
                }
                // Export the images
                String name = getUniqueFileName( key, image.getSuffix() );
                    System.out.println( "Writing image:" + name );
                    try {
                        image.write2file( name );
                    } catch (IOException e) {
                        // TODO Auto-generated catch block
                        //e.printStackTrace();
                }
                System.out.println("--------------------------------------------------------------------------------");
            }
        }
    }

Answer 1

与您的假设相反，PDF 中没有显式水印对象来识别通用 PDF 中的水印。

水印可以通过多种方式应用于 PDF 页面；每个 PDF 创建库或应用程序都有自己的添加水印的方法，有些甚至提供多种方法。

水印可以

1. 在内容早期绘制的任何内容(位图图形、矢量图形、文本...)，因此形成绘制其余内容的背景；
2. 任何内容(位图图形、矢量图形、文本等)在内容后期以透明方式绘制，形成透明叠加层；
3. 在水印注释的内容流中绘制的任何内容(位图图形、矢量图形、文本...)，应用于表示应以固定尺寸和位置打印在页面上的图形，无论打印页面的尺寸如何(参见 PDF 规范第 12.5.6.22 节 ISO 32000-1)。

有时甚至使用混合形式，看看at this answer例如，在底部，您会发现在图形上方但在文本下方绘制的“水印”(以便于阅读)。

后一种选择(水印注释)显然很容易去除，但它实际上也是最不常用的选择，很可能因为它很容易去除去掉;应用水印的人通常不希望他们的水印丢失。此外，注释有时会被 PDF 查看器错误处理，并且代码复制页面内容通常会忽略注释。

如果您不处理通用文档，而是处理特定类型的文档(所有生成的都是类似的)，另一方面，应用水印的方式在它们中，可能可以识别并且提取程序可能是可行的。如果您有这样的用例，请分享示例 PDF 以供检查。