java - 替换 pdf 文件——它可以与 sed 一起使用，但是当使用 Java 时，pdf 文件中的图像会消失。为什么？

Question

我有一个从以下链接下载的 pdf 文件:

https://invoicetemplates.com/wp-content/uploads/freelance-writer-invoice-template.pdf

我使用 pdf tk 来解压缩 pdf

pdftk 文件.pdf 输出未压缩.pdf 解压缩

当我尝试使用 sed 替换时，它可以工作。

但是，当我使用Java时，pdf中的 Logo 和文本图像消失。

我不知道为什么——请帮助我。

这是我在 shell 中的代码:

sed -e "s/ORIGINALSTRING/NEWSTRING/g" <uncompressed.pdf >modified.pdf

这是我使用 Groovy 的代码:

(new File('uncox3.pdf')).write(    new File('uncompressed.pdf').getText().replaceAll(/ORIGINALSTRING/,"NEWSTRING")) 

Answer 1

首先，如果原始字符串和替换字符串的大小不同，您的 sed 命令也会损坏 pdf。在这种情况下，替换会更改间接 pdf 对象的实际起始偏移量，而不会在文件的交叉引用部分中更新它们。

PDF 读者通常会在发现问题后立即尝试修复交叉引用，而不会发出警告，这可能就是您没有注意到的原因。

尽管如此，检索您的发票文件的人可能会因为无法解析而拒绝它们，您不能指望他们接受损坏的文件。

话虽如此，您的groovy代码更明显地损坏pdf的原因可能是使用getText的显式二进制到文本转换以及中的隐式文本到二进制转换写。

如果在假定的编码中，每个可能的字节序列都没有字符(序列)，则二进制到文本的转换在遇到此类字节序列时将使用替换字符，并且最终的文本到二进制转换不知道这些替换字符的原始字节序列。

同时，utf-8 是这里假设的常见默认编码，对于 utf-8 来说，确实有许多没有意义的字节序列。

显式使用像 Latin-1 这样的编码可能会使您的 java 代码运行类似于 sed 命令。

但如上所述，即使这样也会损坏 pdf，除了实验之外不应该用于任何其他用途，不应该用于将结果 PDF 发送给其他人，特别是不用于发票或契约(Contract)等严肃的内容。