Question

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，我需要从PDF中提取（删除）所有文本，以便转换后的页面图像将包含除文本之外的所有其他元素。

我可以使用Ghostscript实现这一点，还是需要查看不同的工具？

我也会对可以读取的工具感兴趣 - 保存我的源PDF删除所有文本。

Answer 1

自从我之前的回答以来，开发工作一直在继续，现在有了一个新的选项可供选择。

最新版本的Ghostscript支持3个新参数，允许您从PDF中删除所有TEXT或所有IMAGE或所有VECTOR元素。

要从输入PDF中删除所有TEXT元素，请运行

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

要从输入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PDF中删除所有VECTOR元素，请运行

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

当然，您也可以组合以上两个参数中的任何一个（组合所有三个参数将创建空白页面。

以下是PDF页面的屏幕截图，其中原始包含所有三个元素，而结果页面看起来不同。

_{包含＆＃34;图像＆＃34;，＆＃34;矢量＆和＆＃34;文字＆＃34;元件。}

运行以下6个命令将创建剩余内容的所有6种可能变体：

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

下图说明了结果：

_{左上角：所有＆＃34;文字＆＃34;删除;所有＆＃34;图像＆＃34;删除;所有＆＃34;载体＆＃34;除去。从左开始底行，：仅限＆＃34;文字＆＃34;保持;只有＆＃34;图像＆＃34;保持;只有＆＃34;载体＆＃34;保持}

Answer 2

只需使用文本编辑器，您就可以在没有Ghostscript的情况下实现您想要的效果。

将压缩的PDF转换为具有（几乎）所有PDF对象的PDF文件。内容和流使用 QPDF ：
扩展为可读形式
```
qpdf --qdf --object-streams=disable input.pdf editable.pdf
```
使用文本编辑器打开新的editable.pdf文件（它还可以优雅地处理PDF中剩余的二进制blob，如字体或ICC资源）。
在PDF对象流中搜索TJ和Tj字符串（用于显示文本的PDF运算符）的所有出现，并将其更改为JT和{{1}分别为字符串（未定义，无意义的PDF运算符）。将文件另存为jT。
现在根据需要将edited.pdf转换为您的PNG图片。

请注意，edited.pdf仍会显示在大多数PDF查看器中，但文本将丢失。但是，通过恢复原始的TJ / Tj操作符，可以很容易地再次恢复文本。

更新/纠错

我的坏！我原来的答案包含了一个错误的错字。我在应该使用 edited.pdf 的地方使用了 tj 。很抱歉可能造成的任何混淆。

更新2

澄清＆＃34;对象流＆＃34; 是什么......在＆＃34;标准化＆＃34;由上面给出的 Tj 命令创建的表单，带有流的对象通常如下所示（其中qpdf是整数）：

NNN

＆＃34;图像流＆＃34; 具有基本相同的结构。但关键：值对通常包含以下4个条目，按任何顺序排列（其中 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 ， NNN 是给出宽度和高度的整数值图像的像素）：

MMM

Answer 3

显然这不是标准要求，但最近在IRC的#Ghostscript论坛上进行了讨论。记录频道，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中将初始文本呈现模式更改为3，但这对文件没有影响，因为它使用的是类型3字体。所以我们建议改为在同一个文件中改变TJ和Tj的定义。请查看日志中的15:37左右。

从PDF文件中删除所有文本

3 个答案:

更新/纠错

更新2