pdf - 将 PDF 文本转换为轮廓？

Question

有人知道如何对 PDF 文档中的文本进行矢量化吗？也就是说，我希望每个字母都是一个形状/轮廓，没有任何文字内容。我使用的是 Linux 系统，首选开源或非 Windows 解决方案。

上下文:我正在尝试编辑一些旧的 PDF，但我不再拥有这些字体。我想在 Inkscape 中执行此操作，但这会将所有字体替换为通用字体，而且几乎不可读。我还使用 pdf2ps 和 ps2pdf 来回转换，但字体信息保留在那里。因此，当我将其加载到 Inkscape 中时，它看起来仍然很糟糕。

有什么想法吗？谢谢。

Answer 1

要实现这一目标，您必须:

1. 将 PDF 拆分为单独的页面；
2. 将 PDF 页面转换为 SVG；
3. 编辑您想要的页面
4. 重新组合页面

这个答案将省略第 3 步，因为它不可编程。

分割 PDF

如果您不希望以编程方式分割文档，现代的方法是使用 stapler 。在您最喜欢的 shell 中:

stapler burst file.pdf

将生成 {file_1.pdf,...,file_N.pdf}，其中 1...N 是 PDF 页面。订书机本身使用PyPDF2分割PDF文件的代码并不复杂。以下函数分割文件并将各个页面保存在当前目录中。 (无耻地从 commands.py 文件复制)

import math
import os
from PyPDF2 import PdfFileWriter, PdfFileReader

def split(filename):
    with open(filename) as inputfp:
        inputpdf = PdfFileReader(inputfp)

        base, ext = os.path.splitext(os.path.basename(filename))

        # Prefix the output template with zeros so that ordering is preserved
        # (page 10 after page 09)
        output_template = ''.join([
            base,
            '_',
            '%0',
            str(math.ceil(math.log10(inputpdf.getNumPages()))),
            'd',
            ext
        ])

        for page in range(inputpdf.getNumPages()):
            outputpdf = PdfFileWriter()
            outputpdf.addPage(inputpdf.getPage(page))

            outputname = output_template % (page + 1)

            with open(outputname, 'wb') as fp:
                outputpdf.write(fp)

将各个页面转换为 SVG

现在要将 PDF 转换为可编辑文件，我可能会使用 pdf2svg .

pdf2svg input.pdf output.svg

如果我们看一下 pdf2svg.c文件中，我们可以看到代码原则上并没有那么复杂(假设输入文件名在 filename 变量中，输出文件名在 outputname 变量中)。下面是一个 Python 中的最小工作示例。它需要 pycairo和 pypoppler图书馆:

import os

import cairo
import poppler

def convert(inputname, outputname):
    # Convert the input file name to an URI to please poppler
    uri = 'file://' + os.path.abspath(inputname)

    pdffile = poppler.document_new_from_file(uri, None)

    # We only have one page, since we split prior to converting. Get the page
    page = pdffile.get_page(0)

    # Get the page dimensions
    width, height = page.get_size()

    # Open the SVG file to write on
    surface = cairo.SVGSurface(outputname, width, height)
    context = cairo.Context(surface)

    # Now we finally can render the PDF to SVG
    page.render_for_printing(context)
    context.show_page()

此时，您应该拥有一个 SVG，其中所有文本都已转换为路径，并且能够使用 Inkscape 进行编辑，而不会出现渲染问题。

结合步骤 1 和 2

您可以在 for 循环中调用 pdf2svg 来执行此操作。但您需要事先知道页数。下面的代码计算页数并在一个步骤中完成转换。它只需要 pycairo 和 pypoppler:

import os, math

import cairo
import poppler

def convert(inputname, base=None):
    '''Converts a multi-page PDF to multiple SVG files.

    :param inputname: Name of the PDF to be converted
    :param base: Base name for the SVG files (optional)
    '''
    if base is None:
        base, ext = os.path.splitext(os.path.basename(inputname))

    # Convert the input file name to an URI to please poppler
    uri = 'file://' + os.path.abspath(inputname)

    pdffile = poppler.document_new_from_file(uri, None)

    pages = pdffile.get_n_pages()

    # Prefix the output template with zeros so that ordering is preserved
    # (page 10 after page 09)
    output_template = ''.join([
        base,
        '_',
        '%0',
        str(math.ceil(math.log10(pages))),
        'd',
        '.svg'
    ])

    # Iterate over all pages
    for nthpage in range(pages):
        page = pdffile.get_page(nthpage)

        # Output file name based on template
        outputname = output_template % (nthpage + 1)

        # Get the page dimensions
        width, height = page.get_size()

        # Open the SVG file to write on
        surface = cairo.SVGSurface(outputname, width, height)
        context = cairo.Context(surface)

        # Now we finally can render the PDF to SVG
        page.render_for_printing(context)
        context.show_page()

        # Free some memory
        surface.finish()

将 SVG 组装成单个 PDF

要重新组装，您可以使用 inkscape/订书机对手动转换文件。但编写执行此操作的代码并不难。下面的代码使用 rsvg 和 cairo。要从 SVG 进行转换并将所有内容合并到一个 PDF 中:

import rsvg
import cairo

def convert_merge(inputfiles, outputname):
    # We have to create a PDF surface and inform a size. The size is
    # irrelevant, though, as we will define the sizes of each page
    # individually.
    outputsurface = cairo.PDFSurface(outputname, 1, 1)
    outputcontext = cairo.Context(outputsurface)

    for inputfile in inputfiles:
        # Open the SVG
        svg = rsvg.Handle(file=inputfile)

        # Set the size of the page itself
        outputsurface.set_size(svg.props.width, svg.props.height)

        # Draw on the PDF
        svg.render_cairo(outputcontext)

        # Finish the page and start a new one
        outputcontext.show_page()

    # Free some memory
    outputsurface.finish()

PS:应该可以使用命令pdftocairo，但它似乎没有调用render_for_printing()，这使得输出的SVG保持字体信息.