过滤掉PDF格式中除了交互式表单字段之外的任何内容

Question

我正在寻找一种方法来过滤除PDF文件中的交互式表单字段之外的所有对象。编程语言并不是很重要，但是如果我可以通过Linux命令行完成它，但我对任何事情都很开放，它会很高兴的。例如，选择一个pdf输入文件，并输出一个新的pdf文件，只包含第一个交互表单字段。

最终的目标是能够接受一个已经打印但未填充的表单，并且只将填充的表单字段的内容打印到它上。

我得到的最接近的方法是使用鬼怪脚本：

gs -o outfile.pdf -sDEVICE=pdfwrite -dFILTERTEXT -dFILTERIMAGE infile.pdf

但在我的例子中，这仍然留下了很多线条，尽管有-dFILTERIMAGE，但还是有一张图片。还有一个-dFILTERVECTOR-option，但遗憾的是，它也删除了表单字段。

Answer 1

我正在寻找一种方法来过滤除PDF文件中的交互式表单字段之外的所有对象。

首先，您必须摆脱静态页面内容。使用任意通用的pdf库，您可以通过清除每一页的内容条目来做到这一点。

例如，使用iText7的Java版本，可以这样做：

try (
    PdfReader pdfReader = new PdfReader(SOURCE);
    PdfWriter pdfWriter = new PdfWriter(RESULT);
    PdfDocument pdfDocument = new PdfDocument(pdfReader, pdfWriter)
) {
    for (int pageNr = 1; pageNr <= pdfDocument.getNumberOfPages(); pageNr++) {
        PdfPage pdfPage = pdfDocument.getPage(pageNr);
        pdfPage.getPdfObject().remove(PdfName.Contents);
        pdfPage.getPdfObject().setModified();
    }
}

(https://github.com/mkl-public/testarea-itext7/blob/master/src/test/java/mkl/testarea/itext7/content/RemoveContent.java#L38 test testRemoveAllPageContentStreams__)