logo标签列表

从PDF文件中删除所有文本。

pdf-generationghostscript
15

我正在使用Ghostscript将源PDF文件转换为PNG图像数组。在将PDF页面转换为PNG图像之前，我需要提取（删除）PDF中的所有文本，以便转换后的页面图像包含除文本以外的所有其他元素。

我是否可以使用Ghostscript来实现这一点，或者我需要寻找不同的工具？

我还对一个能够读取并保存我的源PDF，并删除所有文本的工具感兴趣。

3个回答
25
自从我上次回答以来，开发工作一直在继续，现在有一个新选项可用，这证明了需要新的答案。
最新版本的Ghostscript支持3个新参数，允许您从PDF中删除所有文本、图像或矢量元素中的任意一个。
要从输入PDF中删除所有文本元素，请运行：
gs -o no-more-texts.pdf -sDEVICE=pdfwrite -dFILTERTEXT   input.pdf

要从输入的PDF中删除所有光栅图像元素，请运行

gs -o no-more-texts.pdf -sDEVICE=pdfwrite -dFILTERIMAGE  input.pdf

要从输入的PDF中删除所有矢量元素，请运行以下命令：

gs -o no-more-texts.pdf -sDEVICE=pdfwrite -dFILTERVECTOR input.pdf

当然，您也可以组合上述两个参数（三个参数的组合会创建空白页面）。
以下是PDF页面的截图，原始页面包含所有三个元素，而结果页面看起来不同。

原始PDF页面截图，包含“图像”、“矢量”和“文本”元素。
原始PDF页面截图，包含“图像”、“矢量”和“文本”元素。

以下6个命令将创建所有6种可能的剩余内容变体： 
 gs -o noIMG.pdf   -sDEVICE=pdfwrite -dFILTERIMAGE                input.pdf
 gs -o noTXT.pdf   -sDEVICE=pdfwrite -dFILTERTEXT                 input.pdf
 gs -o noVCT.pdf   -sDEVICE=pdfwrite -dFILTERVECTOR               input.pdf
gs -o onlyIMG.pdf -sDEVICE=pdfwrite -dFILTERVECTOR -dFILTERTEXT  input.pdf
 gs -o onlyTXT.pdf -sDEVICE=pdfwrite -dFILTERVECTOR -dFILTERIMAGE input.pdf
 gs -o onlyVCT.pdf -sDEVICE=pdfwrite -dFILTERIMAGE  -dFILTERTEXT  input.pdf
下面的图片说明了结果：

上排, 从左到右: 所有的“文本”都被删除了; 所有的“图像”都被删除了; 所有的“向量”都被删除了。 下排, 从左到右: 只保留了“文本”; 只保留了“图像”; 只保留了“向量”。
上排, 从左到右: 所有的“文本”都被删除了; 所有的“图像”都被删除了; 所有的“向量”都被删除了。 下排, 从左到右: 只保留了“文本”; 只保留了“图像”; 只保留了“向量”。

10

你可以不使用Ghostscript，仅使用文本编辑器就能实现你想要的功能。

  1. 使用QPDF将压缩的PDF转换为几乎所有PDF对象内容和流都展开成可读形式的PDF:

     qpdf --qdf --object-streams=disable input.pdf editable.pdf

  2. 用文本编辑器打开你的新 editable.pdf 文件（它还可以优雅地处理PDF中剩余的二进制数据块，例如字体或ICC资源）。

  3. 在PDF对象流内查询所有出现的 TJ 和 Tj 字符串（用于显示文本的PDF操作符），并将其分别替换为JT和jT字符串（未定义的、无意义的PDF操作符）。将文件保存为edited.pdf。

  4. 现在按需要将你的 edited.pdf 转换为PNG图像。

edited.pdf 在大多数PDF查看器中仍然会显示，但文本将被省略。不过，通过恢复原始的 TJ/Tj 操作符，就可以轻松地再次恢复文本内容并撤消任何手动修改。

通过上述给定的qpdf命令创建的“规范化”形式中，带有流的对象通常看起来像这样（其中NNN是一个整数）：

NNN 0 obj
<<
   % Here are the key:value pairs of the object dictionary
   /Key1 somevalue1
   /Key2 somevalue2
   % ... (more key:value pairs)
>>
stream
% Here is the content of the object stream
endstream
endobj

一个"图像流"基本上具有相同的结构。 但是键值对通常包含以下四个条目，以任何顺序（其中NNN和MMM是以像素为单位给出图像的宽度和高度的整数值）：

/Type /XObject
/Subtype /Image
/Width NNN
/Height MMM

更新/更正

对不起！我的原始回答中有个重复的拼写错误。我在一些地方使用了 tj，但应该使用 Tj。对于可能造成的任何困惑，我表示歉意。

实际上，这只对一个文件有效，而在其他文件中产生了乱码输出。将“TJ”更改为“JT”（或任何组合）在这些文件上具有相同的结果 - 输出只会在某个点上变得混乱。我最终做的是找到所有出现的\nBT\n和\nET\n，并删除它们之间的所有内容。 - eithed
1
@eithedog：如果我无法查看文件本身，我就无法分析为什么您会遇到观察到的行为。从我的角度来看，唯一可能有影响的是**'和"运算符：它们也用于“显示文本”，类似于Tj和TJ**（但还有一些额外的技巧，比如自动换行或设置单词距离）。 - Kurt Pfeifle
我理解并感谢您的帮助。也许tj在图像流中实际上是可以遇到的，这就是为什么更改它们会破坏输出PDF的原因吗？正如我所提到的 - 最终我只是删除了BT和ET之间的所有内容，这似乎起了作用。我假设那是包含所有转换的解码文本流 - 因为它也包含了tj - 例如：Td[(C)7(arr)3(ot C)7(ak)8(e......Ł2)]TJ，但这也是：Tm(DRINKS)Tj。 - eithed
1
是的。请注意在哪里更改 TJ 和 Tj 字符串：只能在 "PDF对象流" 中（正如我在我的回答中所说），而不是在整个 PDF 文件中 全局 更改（可能会匹配到图像流）... - Kurt Pfeifle
1

显然这不是一个标准要求，但最近在#Ghostscript IRC论坛上讨论过。该频道已被记录，您可以在此处找到讨论：

http://ghostscript.com/irclogs/2014/05/21.html

我们最初建议在pdf_ops.ps中将初始文本渲染模式更改为3，但是由于文件使用的是type 3字体，因此对文件没有影响。因此，我们建议在同一文件中修改TJ和Tj的定义。请查看日志中15:37左右的内容。
在pdf_ops.ps中，更改/TJ和/Tj的定义，在每种情况下将“Show”替换为“pop”。根据您的操作系统以及Ghostscript的构建方式，您可能需要重新构建Ghostscript，或者通过在命令行上放置-I<目录名称>来包含包含修改文件的目录。 - KenS
如果我已经在OS X上安装了GS，那么我可以这样做吗？我在硬盘上找不到pdf_ops.ps。我现在也下载了GS源代码并找到了这个文件和/TJ、\Tj定义。我猜当我改变这些时需要重新构建它？我需要运行什么命令来删除PDF文件中的文本，之后我进行这些/TJ、/Tj更改？ - Primoz Rome
Ghostscript可以通过多种方式构建...如果使用COMPILE_INITS=1进行构建，则支持文件将构建到可执行文件中。如果使用COMPILE_INITS=0进行构建，则它们位于磁盘上。在任何情况下，您都可以使用-I开关（包括）告诉Ghostscript在目录或目录列表中查找文件首先。因此，您可以将修改后的gs/Resource/Init放在某个地方，更改pdf_ops.ps，然后告诉GS使用该目录。然后，您可以使用pdfwrite设备创建一个新的PDF文件（它不会影响原始文件），因为文本操作符是no-ops，所以新文件没有文本。 - KenS
哎呀，既然你正在渲染PNG，那就使用你已经在使用的任何命令行吧。同样，由于TJ和Tj操作符是无操作符，因此文本不会被渲染。 - KenS
好的，谢谢。希望我能让它工作！我从未自己构建过GS，我只是使用了OS X安装程序将其安装到系统中。我将尝试使用“-l”开关指向修改后的资源文件。 - Primoz Rome
网页内容由stack overflow 提供, 点击上面的
可以查看英文原文，
原文链接