介绍
近期在调研 OCR 相关的技术选型，在实际的应用场景中，发现如果传入 OCR 的图片信息包含水印的话，会对识别结果造成影响，故需要优先对数据进行预处理。
思路
源数据信息是 pdf 类型的文件，将其转为 png 图像后传入 ocr 进行处理，所有可以在任意一个阶段进行处理，经过对比选择在 pdf 阶段进行水印移除操作。
原因在于源数据 pdf 文件是文字版本的（非影印版、扫描版），程序可以对 pdf 文件进行读取，之后进行水印移除操作。
代码
使用 java 语言，引用 pdfbox 2.0.28 版本进行水印移除操作。
本文采用的 pdf 文件中的水印，是通过 Adobe Acrobat Pro DC 或者 WPS PDF 这两种软件进行的水印添加，同其他介绍不一致的地方在于，通过这两种软件添加的水印，在使用 pdfbox 进行操作的时候，需要采用如下的方式。
主要是获取 pdf 中的所有元素，并且通过判断元素的类型，如果发现是水印相关的，移除当前元素，之后将处理过的所有元素复制到一个新的 pdf 文件中。
import org.apache.pdfbox.contentstream.operator.Operator;import org.apache.pdfbox.cos.COSName;import org.apache.pdfbox.pdfparser.PDFStreamParser;import org.apache.pdfbox.pdfwriter.ContentStreamWriter;import org.apache.pdfbox.pdmodel.PDDocument;import org.apache.pdfbox.pdmodel.PDPage;import org.apache.pdfbox.pdmodel.common.PDStream;import org.apache.pdfbox.pdmodel.font.PDFont;import org.apache.pdfbox.pdmodel.font.PDType0Font;
import java.io.File;import java.io.OutputStream;import java.util.List;
/** * 使用 pdfbox 移除 pdf文件中的 文字水印 * 思路： 获取到 pdf 中的所有元素， 之后判断 元素是否是水印相关(op.getName().equals("gs"))，如果是的话，将其删除(tokens.remove(tokens.size() - 1);) */public class PdfBoxRemoveTextWatermark {
/** * @param inputPdfFilePath 输入pdf文件路径 alexgaoyh.pdf * @param outputFdfFilePath 输出pdf文件路径 removed-text-watermark-alexgaoyh.pdf * @param fontPath 字体文件 simfang.ttf * @throws Exception */ public static void removeTextWatermark(String inputPdfFilePath, String outputFdfFilePath, String fontPath) throws Exception { { File file = new File(inputPdfFilePath); PDDocument pd = PDDocument.load(file); // 需要的字体文件 Map<COSName, PDFont> oldfont = new HashMap<COSName, PDFont>(); PDType0Font targetfont = PDType0Font.load(pd, new File(fontPath)); for (PDPage page : pd.getPages()) { PDFStreamParser pdfsp = new PDFStreamParser(page); pdfsp.parse(); List<Object> tokens = pdfsp.getTokens(); for (int j = 0; j < tokens.size(); j++) { //创建一个object对象去接收标记 Object next = tokens.get(j); if (next instanceof Operator) { Operator op = (Operator) next; if (op.getName().equals("gs")) { tokens.remove(tokens.size() - 1); } } } PDStream updatedStream = new PDStream(pd); OutputStream out = updatedStream.createOutputStream(); ContentStreamWriter tokenWriter = new ContentStreamWriter(out); tokenWriter.writeTokens(tokens); out.close(); oldfont.forEach((k, v) -> { page.getResources().put(k, targetfont); }); page.setContents(updatedStream); } pd.save(outputFdfFilePath); pd.close(); } }}
复制代码
总结
如上方法仅在 pdfbox 2.0.28 版本下进行了测试，其他版本下未进行测试，原因在于 pdfbox 每个版本下的方法变化较大。
当前方案采用的整体思路是获取原始 pdf 文件中的所有元素，根据元素的类型进行删除，之后将处理过的元素添加到一个新的 pdf 中（类似复制）。
需要注意在使用 Adobe Acrobat Pro DC 或者 WPS PDF 这两种软件添加水印的时候，使用的是 文字水印 的方法，而不是图片的方式。
参考
https://gitee.com/alexgaoyh/pap-base/blob/v1/src/test/java/com/pap/base/util/pdf/PdfBoxRemoveTextWatermark.java
https://github.com/Halfish/lstm-ctc-ocr/blob/master/fonts/simfang.ttf
https://blog.csdn.net/dgywj/article/details/111588270
https://blog.51cto.com/u_15127580/4107427
![[杂谈] pdfbox 2.0.28 文字水印移除操作(Acrobat/WPS)_Java_alexgaoyh_InfoQ写作社区](https://static001.infoq.cn/static/infoq/img/logo-121-75.yuij86g.png){kind=logo}
评论