java - 是否可以按位置使用 PDFBox 编辑 PDF 区域？

Question

上下文
目前，我有一个解决方案，可以循环遍历 PDF 并在其中绘制黑色矩形。
所以我已经有一个 PDRectangle 列表，代表我需要在 pdf 上填充/覆盖的正确区域，隐藏我想要的所有文本。
问题
问题 1:黑色矩形下方的文本很容易被其他工具复制、搜索或提取。
我通过展平我的 pdf 解决了这个问题(将其转换为图像，使其成为单层文档，并且不再能欺骗黑色矩形)。与此处描述的解决方案相同:
Disable pdf-text searching with pdfBox
这不是真正的编辑，它更像是一种解决方法。
这导致我
问题 2:
我的最终 PDF 变成了一个图像文档，在那里我丢失了所有 pdf 属性，包括搜索、复制……而且它的过程要慢得多。我想保留所有 pdf 属性，而编辑区域无论如何都无法读取。
我想完成什么
话虽如此，我想知道是否有可能以及如何进行实际的编辑，将矩形区域涂黑，因为我已经有了我需要的所有位置，使用 PDFBox，保留 pdf 属性并且不允许编辑区域被阅读。
注意:我知道旧的 ReplaceText 函数存在 PDFBox 的问题，但在这里我有我需要的位置来确保我精确地将我需要的区域留空。
另外，我接受其他免费图书馆的建议。
技术规范:
PDFBox 2.0.21
Java 11.0.6+10，采用OpenJDK
MacOS Catalina 10.15.4、16GB、x86_64
我的代码
这就是我绘制黑色矩形的方式:

private void draw(PDPage page, PDRectangle hitPdRectangle) throws IOException {

    PDPageContentStream content = new PDPageContentStream(pdDocument, page,
        PDPageContentStream.AppendMode.APPEND, false, false);
    content.setNonStrokingColor(0f);
    
    content.addRect(hitPdRectangle.getLowerLeftX(), 
        hitPdRectangle.getLowerLeftY()  -0.5f, 
        hitPdRectangle.getUpperRightX() - hitPdRectangle.getLowerLeftX(), 
        hitPdRectangle.getUpperRightY() - hitPdRectangle.getLowerLeftY());
    
    content.fill();
    content.close();
}

这就是我将其转换为图像 PDF 的方式:

private PDDocument createNewRedactedPdf() throws IOException {
    PDFRenderer pdfRenderer = new PDFRenderer(pdDocument);

    PDDocument redactedDocument = new PDDocument();

    for (int pageIndex = 0; pageIndex < pdDocument.getNumberOfPages(); pageIndex++) {
        BufferedImage image = pdfRenderer.renderImageWithDPI(pageIndex, 200);

        String formatName = "jpg";
        ByteArrayOutputStream baos = new ByteArrayOutputStream();
        ImageIO.write(image, formatName, baos);

        byte[] bimg = baos.toByteArray();

        PDPage page = pdDocument.getPage(pageIndex);
        float pageWidth  = page.getMediaBox().getWidth();
        float pageHeight = page.getMediaBox().getHeight();

        PDPage pageDraw = new PDPage(new PDRectangle(pageWidth, pageHeight));
        redactedDocument.addPage(pageDraw);
        String imgSuffixName = pageIndex + "." + formatName;
        PDImageXObject img = PDImageXObject.createFromByteArray(redactedDocument, bimg,
            pdDocument.getDocument().getDocumentID() + imgSuffixName);

        try (PDPageContentStream contentStream
                 = new PDPageContentStream(redactedDocument, pageDraw, PDPageContentStream.AppendMode.OVERWRITE, false)) {

            contentStream.drawImage(img, 0, 0, pageWidth, pageHeight);
        }
    }

    return redactedDocument;
}

有什么想法吗？

Answer 1

您想要的，真正的编辑功能，可以基于 PDFBox 实现，但它需要在它之上进行大量编码(类似于在 iText 之上实现的 pdfSweep 附加组件)。
特别是您发现自己在区域上绘制黑色矩形以编辑为文本提取或从查看器复制和粘贴通常完全忽略文本是否可见或被某些东西覆盖是不够的。
因此，在代码中您必须找到绘制文本的实际指令以编辑和删除它们。但是您不能简单地将它们删除而不替换，否则您的编辑可能会移动同一行上的其他文本。
但是您不能简单地用相同数量的空格或通过删除文本的宽度向右移动替换它们:请考虑一个表格的情况，您只想使用"is"和“否”条目来编辑其中的列。如果编辑后文本提取器返回三个空格，其中有"is"和两个空格，其中有“否”，查看这些结果的任何人都知道编辑区域中有什么。
您还必须清理围绕实际文本绘制指令的指令。考虑再次使用"is"/“否”信息编辑的列示例，但这次为了更清晰，"is"用绿色绘制，“否”用红色绘制。如果您只替换文本绘制说明，那么具有提取器同时提取颜色等属性的人将立即知道编辑后的信息。
对于带标签的 PDF，还必须检查标签属性。特别是有一个属性 ActualText 它包含由标记指令表示的实际文本(特别是对于屏幕阅读器)。如果您只删除文本绘制说明，而保留带有属性的标签，那么使用屏幕阅读器阅读的任何人都可能不会意识到您试图编辑某些内容，因为他的屏幕阅读器会向他阅读完整的原始文本。
因此，对于正确的编辑，您本质上必须解释所有当前指令，确定它们绘制的实际内容，并创建一组新的指令来绘制相同的内容，而没有不必要的额外指令，这些指令可能会泄露有关编辑内容的某些信息。
在这里，我们只考虑了编辑文本；在 PDF 页面上编辑 vector 和位图图形需要克服类似的挑战才能进行正确的编辑。
...
因此，实际编辑所需的代码超出了堆栈溢出答案的范围。尽管如此，上述项目可能会帮助实现编辑器的人不陷入过于幼稚的编辑代码的典型陷阱。