一种使用iText7渲染引擎去除文字水印方法的过程记录-.NET技术

一种使用iText7渲染引擎去除文字水印方法的过程记录渲染引擎去除文字水印方法的过程记录 iText7 iText 一种使用 Text

来源：时间：2024/10/14 16:03:14 点击：3

有一种PDF文本，使用旋转过的字体来作为水印。文件经过密码保护，不能通过编辑的方法去除。
转载请保留这一段文字：charset#cnblogs，谢绝CSDN、知乎之流转载

注意：拥有水印并且编辑密码包含的PDF文档可能具有版权保护，本文仅从技术角度讨论可能性。

正常文件可以被打开而且显示无误，使用iText7的渲染引擎来获取渲染项目，通过对目标文本的隐藏来达到去除文字水印的目的。

以下列举了一些使用过程中的注意点和坑：

环境：Windows 11 Home Edition 23H2
机器：Lenovo L490 i5-8265U@1.6GHz 8C16G
软件：.NET 8.0.400, RoslynPad 19.1

引用itext7, 8.0.5, itext7.bouncy-castle-adapter, 8.0.5, itext7.font-asian, 8.0.5，中间用来解析加密过的PDF，最后解析亚洲文字。
写一个TextExtractionStrategy继承IEventListener

class TextExtractionStrategy : IEventListener {
    readonly List<ObjectRenderInfo> info;
    public TextExtractionStrategy(List<ObjectRenderInfo> info) => this.info = info;
    public void EventOccurred(IEventData data, EventType type) {
        switch (data) {
            case TextRenderInfo renderInfo:
                info.Add(new ObjectRenderInfo {
                    Text = renderInfo.GetText(),
                    Matrix = renderInfo.GetTextMatrix(),
                    FontName = renderInfo.GetFont(),
                    FontSize = renderInfo.GetFontSize(),
                    Color = renderInfo.GetFillColor(),
                    Width = renderInfo.GetUnscaledWidth()
                });
                break;
            case ImageRenderInfo imageRender:
                var image = imageRender.GetImage();
                info.Add(new ObjectRenderInfo { Image = image.GetImageBytes(), Vector = imageRender.GetStartPoint(), Height = image.GetHeight(), Width = image.GetWidth(), Matrix = imageRender.GetImageCtm() });
                break;
            case PathRenderInfo pathRender:
                var operation = pathRender.GetOperation();
                if (operation != PathRenderInfo.NO_OP) {
                    info.Add(new ObjectRenderInfo {
                        Path = pathRender.GetPath(),
                        Matrix = pathRender.GetCtm(),
                        Width = pathRender.GetGraphicsState().GetLineWidth(),
                        Color = pathRender.GetStrokeColor(),
                        Operation = pathRender.GetOperation(),
                    });
                }
                break;
        }
    }
    public ICollection<EventType> GetSupportedEvents() => new List<EventType> { EventType.RENDER_TEXT, EventType.RENDER_IMAGE, EventType.RENDER_PATH };
}

没啥好说的，注册三种渲染事件，并且在事件回调的时候通过info将传递的内容记录下来。

List<ObjectRenderInfo> info = new(256);
var strategy = new TextExtractionStrategy(info);
var processor = new PdfCanvasProcessor(strategy);

字体的处理

因为PDF的字体直接使用的路不通，所以使用简单粗暴的映射本地字体文件的方式进行。如果有一些复式字体不考虑。

PdfFont GetFont(string name) {
    var fontName = "SimSun.ttc,0";
    if (name.Contains("SimHei", StringComparison.CurrentCultureIgnoreCase)) fontName = "SimHei.ttf";
    else if (name.Contains("Times", StringComparison.CurrentCultureIgnoreCase)) fontName = "times.ttf";
    else if (name.Contains("FangSong", StringComparison.CurrentCultureIgnoreCase)) fontName = "simfang.ttf";
    else if (name.Contains("DengXian", StringComparison.CurrentCultureIgnoreCase)) fontName = "deng.ttf";
    else if (name.Contains("Arial", StringComparison.CurrentCultureIgnoreCase)) fontName = "arial.ttf";
    else if (name.Contains("Verdana", StringComparison.CurrentCultureIgnoreCase)) fontName = "Verdana.ttf";
    else if (name.Contains("KaiTi", StringComparison.CurrentCultureIgnoreCase)) fontName = "simkai.ttf";
    else if (name.Contains("Cambria", StringComparison.CurrentCultureIgnoreCase)) fontName = "Cambria.ttc,0";
    else if (name.Contains("YuGothic", StringComparison.CurrentCultureIgnoreCase)) fontName = "YuGothL.ttc,0";
    else if (name.Contains("Calibri", StringComparison.CurrentCultureIgnoreCase)) fontName = "Calibri.ttf";
    else if (name.Contains("CourierNew", StringComparison.CurrentCultureIgnoreCase)) fontName = "cour.ttf";
    else if (name.Contains("Consolas", StringComparison.CurrentCultureIgnoreCase)) fontName = "consola.ttf";
    if (!fonts.TryGetValue(fontName, out var font)) {
        font = PdfFontFactory.CreateFont($@"C:\Windows\Fonts\{fontName}", PdfFontFactory.EmbeddingStrategy.PREFER_EMBEDDED);
        fonts.Add(fontName, font);
    }
    //Console.Write($"{name} -> {fontName}");
    return font;
}

注意：每个PDF需要创建自己的字体实例，不然保存的时候会有异常，引用的资源属于别的文件。

渲染过程
只有下列三种渲染的方式。

for (int i = 1; i < docSource.GetNumberOfPages(); i++) {
    info.Clear();
    var page = docSource.GetPage(i);
    //处理原始文件的每一页
    processor.ProcessPageContent(page);
    //根据List<ObjectRenderInfo>内容进行重新绘制
    foreach (var objRenderInfo in info) {
    }
}

4.1 渲染文字

如果需要擦除的水印文字就在这里就很方便的通过判断即可。

var font = GetFont(objRenderInfo.Font.GetFontProgram().GetFontNames().GetFontName());
var paragraph = new Paragraph(objRenderInfo.Text).SetFixedPosition(i, x, y, objRenderInfo.Width * 2)
    .SetFont(font).SetFontSize(fontSize).SetFontColor(objRenderInfo.Color);
docTarget.Add(paragraph);

本过程的灵魂所在就是SetFixedPosition(int pageNumber, float left, float bottom, float width)方法，比对图形处理来说会简单一些，直接对pageNumber指定的页进行绘制文本操作即可。注意width所指的参数这里使用了objRenderInfo.Width * 2，试验过仅用Width可能会导致文本折行，简单起见给定了一个经验值。

4.2 渲染图形

绘制图形会比较多的坑。需要注意的几个点如下：

PdfPage的获取：Path的绘制需要PdfCanvas，而后者需要从PdfPage创建，显而易见的想从docTarge.GetPage(i)获取页面实例，可惜想得太天真了。

PdfPage? page = null;
try { page = docTarget.GetPage(i); } catch (Exception) { page = docTarget.AddNewPage(); }

Matrix转换矩阵的使用：如果简单的使用PathRenderInfo的几个参数进来不足以绘制和原先一样的图形，是因为有偏移和缩放。

var offset = new Point(objRenderInfo.Matrix.Get(6), objRenderInfo.Matrix.Get(7));
float scaleX = objRenderInfo.Matrix.Get(0), scaleY = objRenderInfo.Matrix.Get(4);
(globalOffset, globalScaleX, globalScaleY) = (offset, scaleX, scaleY);

globalOffset, globalScaleX, globalScaleY：单独需要将这几个值保存下来作为本页的全局偏移量以及缩放量，是遇到了一些例如流程图、表格，使用Path绘制的时候PathRenderInfo记载进了Matrix变量。在绘制Shape和上文Text的时候，需要进行计算。

//绘制Text
var x = objRenderInfo.Matrix.Get(6) * globalScaleX + globalOffset.x;
var y = objRenderInfo.Matrix.Get(7) * globalScaleY + globalOffset.y;
var fontSize = (float)(objRenderInfo.FontSize * Math.Sqrt(globalScaleX * globalScaleY));

在这里fontSize做了特殊处理，短时间内还没法知道到底是X还是Y轴需要缩放。

//绘制图形
foreach (var sub in objRenderInfo.Path.GetSubpaths()) {
    canvas.SaveState();
    foreach (var shape in sub.GetSegments()) {
        switch(shape) {
            case iText.Kernel.Geom.Line line:
            //处理直线
            break;
            case iText.Kernel.Geom.BezierCurve curve:
            //处理曲线
            break;
            default: Console.Write(shape); break;
        }
    }
    if (sub.IsClosed()) canvas.ClosePath();
    canvas.Stroke();
    canvas.RestoreState();
}

绘制直线：

var points = line.GetBasePoints();
canvas.MoveTo(offset.x + points[0].x * scaleX, offset.y + points[0].y * scaleY);
canvas.LineTo(offset.x + points[1].x * scaleX, offset.y + points[1].y * scaleY);

绘制曲线：我遇到的这个文件里面是3个点确定一个曲线，理论上按照文档也会有2个点。以下省略的点个数判断。

var points = curve.GetBasePoints();
canvas.MoveTo(offset.x + points[0].x * scaleX, offset.y + points[0].y * scaleY);
canvas.CurveTo(offsetx + points[1].x * scaleX, offset.y + points[1].y * scaleY,
    offsetx + points[2].x * scaleX, offset.y + points[2].y * scaleY,
    offsetx + points[3].x * scaleX, offset.y + points[3].y * scaleY);

应该还存在更简单的使用Matrix的API可以缩减代码量，不过时间太少没有深入研究

4.3 渲染图像
图像的绘制相对简单，但是还有一些坑没填上。比如获取的ImageBytes展示出来是黑块，在不影响阅读的情况下还没研究修复。由于直接可以绘制在指定页面，所以篇幅会很小。

var image = new Image(ImageDataFactory.Create(objRenderInfo.Image))
    .SetFixedPosition(i, objRenderInfo.Vector.Get(0), objRenderInfo.Vector.Get(1));
if (objRenderInfo.Width > page.GetPageSize().GetWidth())
    image.SetAutoScale(true);
else
    image.SetWidth(objRenderInfo.Width).SetHeight(objRenderInfo.Height);
docTarget.Add(image);

后话
ObjectRenderInfo的定义

class ObjectRenderInfo {
    public string? Text { get; set; }
    public PdfFont? FontName { get; set; }
    public float FontSize { get; set; }
    public float Width { get; set; }
    public float Height { get; set; }
    public Color? Color { get; set; }
    public Color? Background { get; set; }
    public Matrix? Matrix { get; set; }
    public byte[]? Image { get; set; }
    public Vector? Vector { get; set; }
    public iText.Kernel.Geom.Path? Path { get; set; }
    public int Operation { get; set; }
}

使用上述代码的话，几乎可以将原先PDF内容绘制到新的文件，不过还存在两个问题。

一些图形中带文本的位置会乱。目前尚未找到解决方法。
一些图像展示不出来，仅是一个黑块，因为没有分析二进制图像内存所以还未找到解决方法。

一种使用iText7渲染引擎去除文字水印方法的过程记录

阅读排行

最新资讯