听说你想用Java去掉PDF里全部文本？看这

1、网上查Java处理PDF文档的框架常见就两个iText和PDFBox，其中iText的口碑比较好，网上说功能比PDFBox强大效果更好，但是自己用可以商用需要授权的，就是收钱的，而PDFBox是apache的开源项目，应该不收钱八。

2、根据查阅资料可知，文本信息存PDF结构里面的stream里面，文本工具打开如下图
stream内送是经过压缩处理过的所以显示乱码，压缩算法记在/Filter里面。不过这些都不用考虑，PDFBox加载PDF文档时已经帮忙解压好啦，并将流保存在一个对象里面，取出来用即可。

3、流里面有文本、图像等信息，时通过流里面的操作符区分的，所有的操作符PDFBox已经枚举好了在对象OperatorName里面，含有Tj和DJ字样标识前面是需要展示的文字。要去掉所有文本只需要把这两个操作符前面的内容直接置空即可

4、其中Resources和Contents里面都含有文字的流，直接遍历字典下所有流判断即可

使用的pdfbox版本

<dependency>
      <groupId>org.apache.pdfbox</groupId>
      <artifactId>pdfbox</artifactId>
      <version>2.0.22</version>
</dependency>

public class PDFUtil{
    
    /**
     * 去掉文档里的全部文本信息
     */
    public static void removeAllText(PDDocument pdDocument) {
        try {
            for (PDPage pdPage : pdDocument.getPages()) {
                //遍历Resources
                PDResources pdResources = pdPage.getResources();
                COSDictionary resourceDictionary = pdResources.getCOSObject();
                findStreamToRemoveText(resourceDictionary);

                //遍历Contents
                pdPage.getContentStreams().forEachRemaining(pdStream -> {
                    removeText(pdStream.getCOSObject());
                });
            }
        } catch (Exception e) {
            e.printStackTrace();
            throw new RuntimeException(e.getMessage());
        }
    }

    /**
     * 遍历字典寻找流类型的对象进行去文字
     * 注意的是流对象也同时是字典对象
     * @param cosDictionary 字典类型
     */
    public static void findStreamToRemoveText(COSDictionary cosDictionary) {
        for (COSBase resourceBase : cosDictionary.getValues()) {
            //流
            if (resourceBase instanceof COSStream) {
                removeText((COSStream) resourceBase);
            }
            //字典
            if (resourceBase instanceof COSDictionary) {
                findStreamToRemoveText((COSDictionary) resourceBase);
            }
            //对象
            if (resourceBase instanceof COSObject) {
                if (((COSObject) resourceBase).getObject() instanceof COSStream) {
                    removeText((COSStream) ((COSObject) resourceBase).getObject());
                }
                if (((COSObject) resourceBase).getObject() instanceof COSDictionary) {
                    findStreamToRemoveText((COSDictionary) ((COSObject) resourceBase).getObject());
                }
            }
        }
    }


    /**
     * 去除流里面的文字
     *
     * @param pdStream 待修改流
     */
    public static void removeText(COSStream pdStream) {
        try {
            PDFStreamParser parser = new PDFStreamParser(pdStream);
            try {
                parser.parse();
            } catch (Exception e) {
                //如果有异常说明无法处理流，可能由于流的格式不符合要求，没有文本
                return;
            }
            //获取流解码后的内容
            List<Object> tokens = parser.getTokens();
            boolean isRemove = false;
            for (int i = 0; i < tokens.size(); i++) {
                Object token = tokens.get(i);
                if (token instanceof Operator) {
                    Operator operator = (Operator) token;
                    //流中含有Tj和DJ字样标识前面是需要展示的文字，直接置空去掉
                    if (operator.getName().equals(OperatorName.SHOW_TEXT)) {
                        COSString previous = (COSString) tokens.get(i - 1);
                        //注意指定该编码确保把流写回去，不然会出现乱码导致文档全空（由于PDF流中使用压缩格式）
                        previous.setValue("".getBytes(StandardCharsets.ISO_8859_1));
                        isRemove = true;
                    } else if (operator.getName().equals(OperatorName.SHOW_TEXT_ADJUSTED)) {
                        COSArray previous = (COSArray) tokens.get(i - 1);
                        for (int k = 0; k < previous.size(); k++) {
                            Object arrElement = previous.getObject(k);
                            if (arrElement instanceof COSString) {
                                COSString cosString = (COSString) arrElement;
                                cosString.setValue("".getBytes(StandardCharsets.ISO_8859_1));
                                isRemove = true;
                            }
                        }
                    }
                }
            }
            //删除了文字才进行流的更新
            if (isRemove) {
                OutputStream out = pdStream.createOutputStream();
                ContentStreamWriter tokenWriter = new ContentStreamWriter(out);
                tokenWriter.writeTokens(tokens);
                out.close();
            }
        } catch (Exception e) {
            e.printStackTrace();
            throw new RuntimeException(e.getMessage());
        }
    }
    
}

本文地址：https://blog.csdn.net/I_am_hardy/article/details/111991101