Question

我有一个大的PDF（~20mb，160 mb。未压缩）。我需要在其中的文本中进行查找和替换，大约1000次。这是我试过的。

通过SVG
- 转换为SVG（inkscape）
- 逐行阅读SVG并在文件中进行替换
- 转换回PDF

=＆GT;糟糕的输出，可能是由于SVG中的一些几何变换矩阵，文本渲染不好

创建~1000 sed命令
- 解压缩PDF
- 使用sed命令执行每次替换
- 重新压缩PDF

=＆GT;太久了。每个sed命令大约需要20秒，导致几个小时的过程

逐行阅读并替换
- 解压缩PDF
- 逐行阅读PDF
  - 找到要替换的文字
  - 使用perl替换
  - 将行写入新文件
- 压缩新文件

=＆GT;由于未压缩的PDF中的左数据流，新文件明显受损（将二进制文本写为文本行）

我想知道是否可以逐行读取未压缩的PDF，但是直接在其中进行编辑。我怎么能这样做？

我搜索过perl内联编辑，但它会立即执行整个文件中的更改，而我想编辑一行。

其他想法非常受欢迎;）

根据建议，我使用CAM :: PDF，这是最有效和最简单的解决方案

Answer 1

2.和3之间没有区别.Sed会逐行读取输入文件，并将更改的行写入输出文件。如果您将-i切换到它，sed只需打开输入文件然后取消链接（它是rm执行的操作）然后打开具有相同名称的输出文件并写入成。就是这样。没有魔法涉及。因此，如果您通过Perl损坏内容，而不是sed，则执行与sed不同的操作。主要区别在于，您可以更快地使Perl脚本更换许多字符串。见Using sed on text files with a csv

主要技巧是你可以编译regexp for search nad replace，它可以在线性时间内工作。

my %replace = ( foo => 'bar' );
my $re = join '|', map quotemeta, keys %replace;
$re = qr/($re)/;

while (<>) {
    s/$re/$replace{$1}/g;
}

您可以将它与原始方法一起使用，但我建议在Perl脚本中使用它，它允许您保留正则表达式并替换pdf文件之间的哈希值。您也可以尝试将其与CAM::PDF结合使用。其中有示例脚本changepagestring.pl。您还可以查看需要更多工作的PDF::API2，但可能会提供更好的结果。但请记住，PDF格式不适用于修改。

Answer 2

您可以按照中所述的pdftk步骤进行操作 How to find and replace text in a existing PDF file with PDFTK (or other command line application)

您可以先将PDF拆分为较小的文档，每个文档都有几页，替换文本并再次将它们合并在一起 - 全部使用pdftk。

还有PDFEdit软件（http://pdfedit.cz/en/index.html）。它是一个带有脚本界面的GUI应用程序。您可以处理单个页面，然后使用脚本命令执行查找替换。看看它是否加载了您的PDF。

在未压缩的PDF中进行内联编辑

2 个答案: