PDF文档可以包含“不可访问”的内容吗？

Question

我正在研究Java库。

我试过了

org.apache.pdfbox

File file = new File("file.pdf");
PDDocument document = PDDocument.load(file);

// Instantiate PDFTextStripper class
PDFTextStripper pdfStripper = new PDFTextStripper();

// Retrieving text from PDF document
String text = pdfStripper.getText(document);
System.out.println(text);

// Closing the document
document.close();

com.itextpdf.text.pdf

public static final String SRC = "file.pdf";
public static final String DEST = "streams";

public static void main(final String[] args) throws IOException {
    File file = new File(DEST);
    new BruteForce().parse(SRC, DEST);
}

public void parse(final String src, final String dest) throws IOException {
    PdfReader reader = new PdfReader(src);
    PdfObject obj;
    for (int i = 1; i <= reader.getXrefSize(); i++) {
        obj = reader.getPdfObject(i);

        if ((obj != null) && obj.isStream()) {
            PRStream stream = (PRStream) obj;
            byte[] b;
            try {
                b = PdfReader.getStreamBytes(stream);
            } catch (UnsupportedPdfException e) {
                b = PdfReader.getStreamBytesRaw(stream);
            }
            FileOutputStream fos = new FileOutputStream(String.format(dest, i));
            fos.write(b);
            fos.flush();
            fos.close();
        } else {
            final PdfDictionary pdfDictionary = (PdfDictionary) obj;

            System.out.println("\t>>>>> " + pdfDictionary + "\t\t" + pdfDictionary.getKeys());

            final Set<PdfName> pdfNames = pdfDictionary.getKeys();

            for (final PdfName pdfName : pdfNames) {
                final PdfObject pdfObject = pdfDictionary.get(pdfName);
                final int type = pdfObject.type();
                switch (type) {
                case PdfObject.NULL:
                    System.out.println("\t NULL " + pdfObject);
                    break;
                case PdfObject.BOOLEAN:
                    System.out.println("\t BOOLEAN " + pdfObject);
                    break;
                case PdfObject.NUMBER:
                    System.out.println("\t NUMBER " + pdfObject);
                    break;
                case PdfObject.STRING:
                    System.out.println("\t STRING " + pdfObject);
                    break;
                case PdfObject.NAME:
                    System.out.println("\t NAME " + pdfObject);
                    break;
                case PdfObject.ARRAY:
                    System.out.println("\t ARRAY " + pdfObject);
                    break;
                case PdfObject.DICTIONARY:
                    System.out.println("\t DICTIONARY " + ((PdfDictionary)pdfObject).getKeys());
                    break;
                case PdfObject.STREAM:
                    System.out.println("\t STREAM " + pdfObject);
                    break;
                case PdfObject.INDIRECT:
                    System.out.println("\t INDIRECT " +pdfObject.getIndRef());
                    break;
                default:

                }
                System.out.println("\t\t--- " + pdfObject.type());
            }
        }
    }
}

com.snowtide.pdf

字符串pdfFilePath = "file.pdf"；

    Document pdf = PDF.open(pdfFilePath);

    final List<Annotation> annotations = pdf.getAllAnnotations();
    for (final Annotation annotation : annotations) {
        System.out.println(annotation.pageNumber());
    }

    System.out.println(pdf.getAttributeMap());
    System.out.println(pdf.getAttributeKeys());
    System.out.println("=============================");

    StringBuilder text = new StringBuilder(1024);
    pdf.pipe(new OutputTarget(text));
    pdf.close();
    System.out.println(text);

我可以提取所有可见的PDF内容，包括链接，文本和图像，除了似乎是一个“水印”出现在每一页。

PDF文档可以包含“不可访问”的内容吗？

有没有办法从文件中提取所有的内容？

更新

认为“水印”是一个图像，我尝试了这个代码。

File fileW = new File("file.pdf");
PDDocument document = PDDocument.load(fileW);
PDPageTree list = document.getPages();
for (PDPage page : list) {
    PDResources pdResources = page.getResources();
    for (COSName c : pdResources.getXObjectNames()) {

        System.out.println("????? ::>>>" + c);

        PDXObject o = pdResources.getXObject(c);
        if (o instanceof org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject) {
            File file = new File("Temp/" + System.nanoTime() + ".png");
            ImageIO.write(((org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject) o).getImage(), "png", file);
        } else {

        }
    }
}

PDF确实包含作者的图像，但是这种方法不能达到“水印”。

Answer 1

OP提供的示例文档的页面内容流从第2页开始具有以下结构：

1. 文本标题行“www.电泳-journal.com al.com Page电泳”： BT /F1 9.12 Tf 1 0 0 1 72.024 798.46 Tm /GS7 gs 0 g 0 G/GS7 TJ ET .BT 1 0 0 1 441.53 798.46 Tm (E)6(l)-10(e)-2(c)23(t)-10(r)-8(o)26(pho)26(r)-8(e)23(s)-5(i)15(s) TJ和BT 1 0 0 1 497.47 798.46 Tm和BT 1 0 0 1 72.024 787.9 Tm () TJ ET 使用普通的iText或PDFBox文本提取可以很容易地提取该文本。
2. 文本多行页脚“收到：.所有权利保留。 BT 1 0 1 72.024 109.7 Tm (R)9(e)-2(c)23(e)-2(i)-10(v)26(e)-2(d:)41( ) TJ ET .BT 1 0 1 1 72.024 47.76 Tm (T)6(hi)-10(s)21( S )-12(a)23(r)-8(t)15(i)-10(c)23(l)-10(e)23( )13(i)-10(s)21( R )-12(由)53( )-12(c)-2(o)26(p)-25(y)53(r)-8(i)-10(g)26(ht)-10(.)-12( )-12(A)38(l)-10(l)15( R)-8(I)-10(G)26(Ht)15(S)-5(R)-8(E)23(S)-5(E)-2(R)-8(V)26(E)-2(D)26()TJ和BT 1 0 0 1 278.52 47.76 Tm () TJ和BT 1 0 0 1 72.024 37.2 Tm () TJ ET 使用普通的iText或PDFBox文本提取也可以很容易地提取该文本。
3. 一组PDF路径创建和填充操作，使用自定义图形状态，在页面左侧形成透明的“接受的文章”： /GS8 gs 0 g 39.605 266.51 m 39.605 261.29而外仲裁248.99 248.09 c 249.94 247.41 50.704 247.08 51.649 247.08 c 52.413 247.08 53.058 247.38 53.609 247.97 c 54.191 248.54 54.548 249.82 54.729 251.77 c 55.18 251.77 55.624 251.77 56.075 251.77 c频次为244.44 49.809 244.47 46.247 245.67 c 32.719 250.33 19.255.25 5.7645 259.91 c 5.7645 260.26 5.7645 260.61 5.7645 260.95 c19.43种姓19.43 33.014 270.43 33.014 275.05 c 277.24 278.15 c acute280.36 54.729 282 c 55.18 282 55.624 282 56.075 282 c 56.075 271.35 56.075 266.003 c 55.624 266.03 55.18 266.03 266.03 266.03 c 54.623 267.64 54.303 268.75 53753 c 53.202 269.88 53.202 270.15 53.202 270.15 c c 270.15 48.97 250268.95 c专属268.15 268.15 267.31 39.605 266.51 c h 36.92 265.67 m 30.284 263.43 23.086 261.81 c 23.686 258.81 c 23.686 256.5 25.284 254.07 36.92 251.77 c 36.92 36.92 261.0436.92 c h f* . 35.361 630.34 m 35.361 630.31 631.32 637.63 633.29 c 635.27 51.18 637.63 51.18 640.31 c 51.18 643.67 643.67 645 c 48.156 646.3 46.141 647.43 43.236 648.31 c 43.48 648.62 43.962 649.24 c 47.261 648.83 c 47.261 648.8350.253 647.57 50.253 645.6 c 50.253 643.62数字表638.05 c遇阻634.76 52.413 629.63 c 49.302 627.3 45.158 626.1 39.899 626.1 c 34.203 626.1 29.802 627.33 629.71 c 23.405 632.07 21.834 635.12 21.834 638.73 c 21.834 641.8 23.048 644.3425.496 646.28 c 25.496 648.22 03649.24 649.24 c 642.94专属636.64 c h 33.258 m 33.258 634.56 33.258 638.78 33.258 643 c 31.117 642.91 29.633 642.7 28.763 642.37 c 27.417 641.87 26.341 641.14 25.571 640.16 c 24.801 639.19 24.801 638.1324.406 637.06 c 24.406 635.42 25.158 633.91 26.729 632.64 c 26.729 631.34而异630.34 c h f* (我引用的说明画出了首字母“A”和最后的“e”。) 不能使用普通的iText或PDFBox文本提取来提取这种书写，因为它既不是使用文本指令绘制的，也不是用ActualText条目标记的。(可以使用自定义的iText或PDFBox文本提取来识别后者。) 但是您可以将此写入提取为路径创建和绘制命令的序列，它由使用iText ExtRenderListener接口的实现或PDFBox PDFGraphicsStreamEngine的子类组成。
4. 文章的实际文本内容，不透明，使用文本绘图说明。 BT /F2 10.08 Tf 1 0 1 72.024 760.78 Tm /GS7 gs 0 g (H)-7(I)8(G)16(H)-7( H)-10 6(M)-7(U)8(LTI) TJ和BT 1 0 0 1 212.98 760.78 Tm (-) TJ和BT 1 0216.1 1 216.1 760.78 Tm (O)-7(R)8(G)-7(A)8(N)32( )-130(M)15(ETA)32(BO)-6(LO)16(M)-7(I)8(C)8(S)8( )-130(I)8(N)8( N )-106(TH)-6(E)24( )-130(A)8(P)16(P)16(/)-716(S)8(1 )-106(M)-7(O)-7(U)8(S)8(E)24( M )-130(M)15(O)-7(D)8(EL)24( O )-106(O)-7(F)16( ) TJ ET 使用普通的iText或PDFBox文本提取也可以很容易地提取该文本。

因此，关于任择议定书的问题，

我可以提取所有可见的PDF内容，包括链接，文本和图像，除了似乎是一个“水印”出现在每一页。 PDF文档可以包含“不可访问”的内容吗？

该内容不是“不可触及的”，它仅仅不是使用文本绘图指令绘制的文本，而是像任意形状一样绘制的文本。

有没有办法从PDF文件中提取所有内容？

您可以提取该内容，不只是作为文本，而是作为路径创建和绘图指令的集合。每当您怀疑这样的指令实际绘制字母形状时，您可以尝试通过将这些路径呈现为位图并应用OCR来确定文本。