如何在Android Java中使用PDFBox移除PDF中带标签的图片

一、现有移除逻辑的问题分析 #

你当前的代码存在两个核心问题：

1. 标签位置错误匹配：你给图片的PDImageXObject字典添加了Tag属性，但移除时却在页面内容流中查找该标签——实际上这个标签存储在图片对象的字典里，而非绘制图片的内容流指令中。
2. 内容流处理方式不可靠：用正则表达式直接替换内容流字符串极易破坏PDF的结构，比如跨多行的指令、嵌套的操作符都会导致匹配失败。

二、正确移除带标签图片的实现步骤及代码 #

正确的移除流程需要分三步：定位带标签的图片XObject、移除内容流中的绘制指令、删除图片XObject本身。

修正后的移除代码 #

private void removeImageFromPdf(String tag) throws IOException {
    InputStream input = getContentResolver().openInputStream(pdfUri);
    PDDocument document = PDDocument.load(input);

    for (PDPage page : document.getPages()) {
        PDResources resources = page.getResources();
        if (resources == null) continue;

        // 1. 找到所有带指定Tag的图片XObject，记录它们的名称
        Set<String> targetImageNames = new HashSet<>();
        for (COSName xObjectName : resources.getXObjectNames()) {
            PDXObject xObject = resources.getXObject(xObjectName);
            if (xObject instanceof PDImageXObject) {
                COSDictionary imageDict = ((PDImageXObject) xObject).getCOSObject();
                String imageTag = imageDict.getString(COSName.getPDFName("Tag"));
                if (tag.equals(imageTag)) {
                    targetImageNames.add(xObjectName.getName());
                }
            }
        }

        if (targetImageNames.isEmpty()) continue;

        // 2. 解析内容流，移除调用目标图片的Do指令
        PDContentStreamParser parser = new PDContentStreamParser(page);
        List<Object> tokens = parser.parse();
        List<Object> newTokens = new ArrayList<>();

        for (int i = 0; i < tokens.size(); i++) {
            Object token = tokens.get(i);
            // 检查是否是目标图片的Do指令：格式为 [/ImName] Do
            if (token instanceof COSName && i + 1 < tokens.size()) {
                COSName name = (COSName) token;
                Object nextToken = tokens.get(i + 1);
                if ("Do".equals(nextToken) && targetImageNames.contains(name.getName())) {
                    // 跳过这两个令牌（图片名和Do指令）
                    i++;
                    continue;
                }
            }
            newTokens.add(token);
        }

        // 重新生成内容流
        PDPageContentStream newContentStream = new PDPageContentStream(document, page, PDPageContentStream.AppendMode.OVERWRITE, true, true);
        ContentStreamWriter writer = new ContentStreamWriter(newContentStream);
        writer.writeTokens(newTokens);
        newContentStream.close();

        // 3. 从资源中删除目标图片XObject
        for (String imageName : targetImageNames) {
            resources.removeXObject(COSName.getPDFName(imageName));
        }
    }

    // 保存文档时清理未引用对象
    File file = new File(getExternalFilesDir(null), "updated.pdf");
    document.save(file, SaveOptions.builder().setCleanUp(true).build());
    document.close();
    input.close();
    pdfUri = Uri.fromFile(file);
    displayPdf(pdfUri, currentPage);
}

代码说明 #

• 定位图片：遍历页面资源中的所有XObject，筛选出带有目标Tag的图片，记录它们的名称。
• 处理内容流：用PDContentStreamParser解析内容流为令牌列表，精准跳过调用目标图片的Do指令，避免字符串替换的风险。
• 清理资源：从页面资源中删除目标图片XObject，同时保存文档时启用CleanUp选项，自动清理文档中未被引用的对象。

三、更好的标记与识别图片的方案 #

1. 自定义唯一字典键 #

继续使用XObject字典标记，但使用更独特的键名避免和PDF标准属性冲突，比如用/MyAppImageTag代替/Tag：

// 添加图片时
imageDictionary.setString(COSName.getPDFName("MyAppImageTag"), tag);

// 移除时匹配
String imageTag = imageDict.getString(COSName.getPDFName("MyAppImageTag"));

2. 维护本地映射表 #

你已经在添加图片时记录了imagePositions列表，可以扩展这个列表，存储图片对应的XObject名称（xObjectName）：

// 添加图片时，获取并存储XObject名称
String xObjectName = resources.addXObject(pdImage); // 注意：需要先获取页面资源再添加
imagePositions.add(new ImageDetails(..., tag, xObjectName));

移除时直接从imagePositions中根据标签找到对应的页码和XObject名称，直接定位处理，无需遍历所有资源，效率更高。

3. 利用PDF结构树（可选） #

如果需要更规范的语义标记，可以将图片添加为PDF结构树中的元素，但实现复杂度较高，适合需要支持辅助阅读工具的场景。

内容的提问来源于stack exchange，提问作者Ahsan Murtaza