Java去除PDF文件中的图片（java提取pdf文字内容）

场景：调用第三方的接口取得的PDF文件流中有个不想要的图片，跟第三方接口沟通无果的情况下，自己想办法去掉吧。

解决思路：打算用PDFBox去掉PDF中的图片，但是在代码中resources.getImages()总是获取为空，经过一番搜索决定利用免费版的Spire.PDF for Java，测试结果图片果然被去掉了，但是生成的pdf顶部增加了多余的文字Evaluation Warning : The document was created with Spire.PDF for Java.。现在的问题又变成了去掉pdf的文字，用PDFBox去文字还是有效的，最后结合一下，达到了去掉PDF文件中图片的目的。

解决方式：

1、加入maven依赖

<dependency>
    <groupId> e-iceblue </groupId>
    <artifactId>spire.pdf</artifactId>
    <version>3.11.6</version>
</dependency>
<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>2.0.24</version>
</dependency>

2、删除图片代码

import com.spire.pdf.PdfDocument;
import com.spire.pdf.PdfPageBase;
import org.apache.pdfbox.cos.COSName;
import org.apache.pdfbox.cos.COSString;
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 java.io.*;
import java.util.Arrays;
import java.util.Base64;
import java.util.List;

/**
 * 删除pdf文件流中图片
 */
public class DeleteImage {
    public static void main(String[] args) throws IOException {
        ByteArrayOutputStream baos = new ByteArrayOutputStream();

        //创建一个PDF实例
        PdfDocument doc = new PdfDocument();
        //加载pdf base64流
        String pdfStr = "base64文件流";
        doc.loadFromBytes(Base64.getDecoder().decode(pdfStr));
        //获取文档的第一页
        PdfPageBase page = doc.getPages().get(0);
        //删除第一页的第一张图
        page.deleteImage(0);
        doc.saveToStream(baos);
        ByteArrayInputStream swapStream = new ByteArrayInputStream(baos.toByteArray());

        // 删除水印
        handlePdfBook(swapStream);
        doc.close();
    }

    public static void handlePdfBook(InputStream in) {
        try (PDDocument pdfDocument = PDDocument.load(in)) {
            //加载PDF文件
            //处理PDF中的每一页
            for (PDPage page : pdfDocument.getPages()) {
                //解析PDF，找出其中有"xxxx"文字的token也就是COSString元素，找到后把值改掉即可
                PDFStreamParser parser = new PDFStreamParser(page);
                parser.parse();
                List<Object> tokens = parser.getTokens();
                for (Object o : tokens) {
                    if (o instanceof COSString) {
                        COSString cs = (COSString) o;
                        if(cs.toString().contains("Evaluation Warning : The document was created with Spire.PDF for Java.")){
                            cs.setValue(new byte[0]);
                        }
                    }
                }
                //将修改后的token要存进page中去，即修改page中原来的tokens
                PDStream updatedStream = new PDStream(pdfDocument);
                OutputStream out = updatedStream.createOutputStream(COSName.FLATE_DECODE);
                ContentStreamWriter tokenWriter = new ContentStreamWriter(out);
                tokenWriter.writeTokens(tokens);
                out.close();
                page.setContents(updatedStream);
            }
            //将修改后的PDF保存
            pdfDocument.save("d:\\修改后pdf.pdf");
        } catch (Exception e) {
            System.out.println(e.getMessage());
        }
    }

}

综上：其他的操作也可以开拓思路，组合实现。