Question

我正在尝试用PDF文件中的可用图像替换重复的图像，但结果已损坏。 PdfReader.KillIndirect将重复的图片归零，但writer.AddDirectImageSimple不会将其替换为之前可用图片的参考。这里的问题是什么？

以下是代码：

using System.Collections.Generic;
using System.Diagnostics;
using System.IO;
using System.Security.Cryptography;
using System.Text;
using iTextSharp.text;
using iTextSharp.text.pdf;

namespace ReplaceDuplicateImages
{
    class Program
    {
        /// <summary>
        /// Adding one image, 2 times.
        /// </summary>
        private static void createSampleFile()
        {
            using (var pdfDoc = new Document(PageSize.A4))
            {
                var pdfWriter = PdfWriter.GetInstance(pdfDoc, new FileStream("Test.pdf", FileMode.Create));
                pdfDoc.Open();

                var table = new PdfPTable(new float[] { 1, 2 });
                table.AddCell(Image.GetInstance("01.png")); 
                table.AddCell(Image.GetInstance("01.png"));
                pdfDoc.Add(table);
            }
        }

        private static void RemoveDuplicateImagesFromPdfFile(string inFile, string outFile)
        {
            var pdfReader = new PdfReader(inFile);
            var pdfStamper = new PdfStamper(pdfReader, new FileStream(outFile, FileMode.Create));
            var writer = pdfStamper.Writer;

            var md5Service = new MD5CryptoServiceProvider();
            var enc = new UTF8Encoding();
            var imagesDictionary = new Dictionary<string, PRIndirectReference>();

            int pageNum = pdfReader.NumberOfPages;
            for (int i = 1; i <= pageNum; i++)
            {
                var page = pdfReader.GetPageN(i);
                var resources = PdfReader.GetPdfObject(page.Get(PdfName.RESOURCES)) as PdfDictionary;
                if (resources == null) continue;

                var xObject = PdfReader.GetPdfObject(resources.Get(PdfName.XOBJECT)) as PdfDictionary;
                if (xObject == null) continue;

                foreach (var name in xObject.Keys)
                {
                    var pdfObject = xObject.Get(name);
                    if (!pdfObject.IsIndirect()) continue;

                    var imgObject = PdfReader.GetPdfObject(pdfObject) as PdfDictionary;
                    if (imgObject == null) continue;

                    var subType = PdfReader.GetPdfObject(imgObject.Get(PdfName.SUBTYPE)) as PdfName;
                    if (subType == null) continue;

                    if (!PdfName.IMAGE.Equals(subType)) continue;

                    var imageBytes = PdfReader.GetStreamBytesRaw((PRStream)imgObject);
                    var md5 = enc.GetString(md5Service.ComputeHash(imageBytes));

                    if (!imagesDictionary.ContainsKey(md5)) // is it duplicate?
                    {
                        imagesDictionary.Add(md5, (PRIndirectReference)pdfObject);
                    }
                    else
                    {
                        PdfReader.KillIndirect(pdfObject); // nulls the duplicate image

                        // trying to replace it with the reference of the available image
                        var imageRef = imagesDictionary[md5];
                        var image = Image.GetInstance(imageRef);
                        Image maskImage = image.ImageMask; // it's always null here.
                        if (maskImage != null)
                            writer.AddDirectImageSimple(maskImage);
                        writer.AddDirectImageSimple(image, (PRIndirectReference)pdfObject);
                    }
                }
            }

            pdfReader.RemoveUnusedObjects();
            pdfReader.Close();
            pdfStamper.Close();
        }

        static void Main(string[] args)
        {
            createSampleFile();
            RemoveDuplicateImagesFromPdfFile("test.pdf", "Optimized.pdf");
            Process.Start("Optimized.pdf");
        }
    }
}

我知道PdfCopy和PdfSmartCopy。我不想使用它们。

Answer 1

如果要删除冗余信息（重复图像，重复XObject，重复字体......），请不要尝试使用iTextSharp的低级功能重新发明轮子。请改用PdfSmartCopy，它将为您完成所有困难的工作。

您的代码的主要问题是您删除了重复的图像，但您永远不会更新对这些图像的引用。通过这样做，你打破了PDF。

假设您有一个PDF，其中包含两个相同（按字节）的图像，并且是冗余存储的（PDF中的相同字节是两次）。假设对象具有以下引用：10 0 R（第一个图像）和20 0 R（第二个图像）。

您遍历每个页面的Image XObjects，然后遇到10 0 R。您保留该图像，并存储它的MD5哈希：

imagesDictionary.Add(md5, (PRIndirectReference)pdfObject);

然后你会遇到20 0 R。您发现此图像与10 0 R相同，因为两个图像的md5哈希对应。您删除了该图片20 0 R：

PdfReader.KillIndirect(pdfObject);

然后你做了一些非常奇怪的事情。不是将对重复图像（20 0 R）的引用更改为图像的第一个实例（10 0 R）的引用，而是获取第一个实例（image）并添加它重新提供原始参考文献（10 0 R）：

writer.AddDirectImageSimple(image, (PRIndirectReference)pdfObject);

换句话说：您尝试向PDF添加对象编号为10的第二个对象，这是非法的（每个对象编号都是唯一的）。 iText将忽略该行;它只会返回用于图像的原始PdfName。

最终，您最终会得到一张PDF，其中包含一张正确引用10 0 R的图片，以及一张引用20 0 R的图片，该图片指向一个不再存在的对象，因为您删除了该图片对象编号20。

这解释了您遇到的问题，并且您描述为：

“结果已损坏”。第一个图像没问题，但第二个图像完全消除，Adobe Reader显示有关此损坏文件的错误消息。

替换PDF文件中的重复图像

1 个答案: