如何从PDF文件中删除流/对象？

如何解决如何从PDF文件中删除流/对象？

我注意到几个PDF文件和mupdf存在问题。我无法按原样共享PDF，但是我仍然想帮助mupdf的开发人员理解问题。我希望我可以删除/替换PDF的内容，以便可以共享它。

peepdf给了我

$ peepdf input.pdf
File: input.pdf
MD5: 243d9decc63d45866dcdcb18ca0ff686
SHA1: f025ee7fc151dc8241464bf78eab2f8b8692dba1
SHA256: c604a4eb5fe3b657543b1330fc98c5d3d64e8b4c16821dcba2c3123fbcb025da
Size: 212245 bytes
Version: 1.5
Binary: True
Linearized: False
Encrypted: False
Updates: 0
Objects: 101
Streams: 7
URIs: 0
Comments: 0
Errors: 1

Version 0:
        Catalog: 1
        Info: 2
        Objects (101): [1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74,75,76,77,78,79,80,81,82,83,84,85,86,87,88,89,90,91,92,93,94,95,96,97,98,99,100,101]
        Streams (7): [3,101]
                Encoded (6): [10,101]
                Decoding errors (6): [10,101]

我希望我可以创建一个与当前PDF相同的新PDF，除了例如流44不在其中。我这样做是为了获得显示错误的最小PDF。

我已经删除了除一页以外的所有页面。

（该解决方案必须在Ubuntu上运行；最好通过Python）

我无法共享原始PDF，但是我们可以将其用作an example PDF file

解决方法

使用pikepdf，可以删除对象。使用提供的示例文件，在PDF的/Catalog/StructTreeRoot中引用了该对象。

import pikepdf
with pikepdf.open("file.pdf") as p:
    del p.Root.StructTreeRoot
    p.save("file_without_structtreeroot.pdf")

您无法像在pikepdf的对象模型中那样按对象号删除对象，因为该对象仍被PDF中的其他对象引用。相反，您必须删除对对象的所有引用，然后剔除未引用的对象。如果对象被多重引用，则需要找到其他引用。

（如果使用pikepdf.Pdf.get_object((44,0))，将获得对对象(44,0)的新引用。删除它时，只会删除创建的新引用。）

我需要删除一个对象以从 pdf 文件中删除机密信息：https://issues.apache.org/jira/browse/PDFBOX-5247

第一个问题是确定您感兴趣的对象。有可能在不解码流的情况下从文件的结构中选择它。我解码了pdf：

java -jar pdfbox-app-2.y.z.jar WriteDecodedDoc <input-file> <output-file>

可以检查解码后的文件，但对象仍处于加密状态。例如，文本字符将映射到 cmap 表中的其他字符。

就我而言，很容易根据字体、重复空格字符和行长识别字符串。文本位于 BT/ET 之间的块中，实际文本行以 Tj 结尾（显示文本）。我用下面的代码删除了对象 8：

8 0 obj
   (Deleted)
endobj

在pdf文件的末尾有一个表格，引用了文件中每个对象的位置。更新表或覆盖要删除的字符以保持对象的位置。我使用十六进制编辑器用空字符覆盖文件中的其余块。

使用字体和cmap从文件中提取字符以将字符解码为文本：

...

BT
/PFLLBD+TimesNewRomanPSMT 11.00000 Tf
8.00 11.00 Td
0.50196 0.50196 0.50196 rg
0.26403 Tc
 ( * H Q H U D W H G  $ W      $ S U                $ 0)  Tj
 ET

...

25 0 obj
<<
/Type /Font
/Subtype /Type0
/BaseFont /PFLLBD+TimesNewRomanPSMT
/Name /PFLLBD+TimesNewRomanPSMT
/DescendantFonts [29 0 R]
/ToUnicode 30 0 R
/Encoding /Identity-H
>>
endobj

...

30 0 obj
<<
/Length 1317
>>
stream
/CIDInit /ProcSet findresource begin
12 dict begin
begincmap
/CIDSystemInfo << /Registry (Adobe)/Ordering (UCS)/Supplement 0>> def
/CMapName /Adobe-Identity-UCS def
/CMapType 2 def
1 begincodespacerange
<0003><00b4>
endcodespacerange
52 beginbfrange
<0003><0003><00A0>
<000B><000B><0028>
<000C><000C><0029>
<000F><000F><002C>
<0010><0010><00AD>
<0011><0011><002E>
<0013><0013><0030>
<0014><0014><0031>
<0015><0015><0032>
<0017><0017><0034>
<001D><001D><003A>
<0024><0024><0041>
<0025><0025><0042>
<0026><0026><0043>
<0029><0029><0046>
<002A><002A><0047>
<002B><002B><0048>
<002C><002C><0049>
<002D><002D><004A>
<0030><0030><004D>
<0032><0032><004F>
<0033><0033><0050>
<0035><0035><0052>
<0036><0036><0053>
<0037><0037><0054>
<003A><003A><0057>
<003B><003B><0058>
<0044><0044><0061>
<0045><0045><0062>
<0046><0046><0063>
<0047><0047><0064>
<0048><0048><0065>
<0049><0049><0066>
<004A><004A><0067>
<004B><004B><0068>
<004C><004C><0069>
<004D><004D><006A>
<004E><004E><006B>
<004F><004F><006C>
<0050><0050><006D>
<0051><0051><006E>
<0052><0052><006F>
<0053><0053><0070>
<0054><0054><0071>
<0055><0055><0072>
<0056><0056><0073>
<0057><0057><0074>
<0058><0058><0075>
<0059><0059><0076>
<005A><005A><0077>
<005C><005C><0079>
<00B4><00B4><201D>
endbfrange
endcmap
CMapName currentdict /CMap defineresource pop
end end

endstream
endobj


Tj line as Hex

28 00 2a 00 48 00 51 00 48 00 55 00 44 00 57 00 
48 00 47 00 03 00 24 00 57 00 1d 00 03 00 13 00 
14 00 03 00 24 00 53 00 55 00 03 00 15 00 13 00 
15 00 14 00 03 00 13 00 14 00 1d 00 13 00 13 00 
1d 00 14 00 17 00 03 00 24 00 30 29 20 20 54 6a

如何从PDF文件中删除流/对象？

如何解决如何从PDF文件中删除流/对象？

解决方法

相关推荐