如何识别原始PDF文件中的对象并定位目标文本对应对象？

我希望通过程序删除PDF中的特定对象。使用cpdf工具可导出PDF对象为JSON格式，若能定位到需删除的目标对象，即可实现程序化修改PDF文件，相关操作命令如下：

$ cpdf in.pdf -output-json -output-json-parse-content-streams -o out.json
$ cpdf -j out.json -o out.pdf

但目前无法找到目标文本对应的PDF对象，例如原始PDF文件无法直接进行文本搜索。请问定位文本对应的目标PDF对象的最佳方法是什么？

补充说明：需删除测试PDF文件每页顶部的“XYZ”内容。该测试文件是实际复杂PDF的简化版本，因此解决方案需具备通用性，可适用于复杂PDF场景：

curl -s https://i.sstatic.net/whsnm.gif | tail -c +43 > test.pdf

定位并删除目标文本对象的通用方法 #

1. 解析PDF内容流关联文本与对象 #

cpdf导出的JSON中，-output-json-parse-content-streams参数会把内容流解析为可读操作指令，文本内容会以"operator": "Tj"（单文本块）或"operator": "TJ"（多文本块数组）的形式存在。定位步骤如下：

• 打开导出的out.json，搜索目标文本（如"XYZ"），找到包含该文本的Tj/TJ操作条目；
• 向上追溯该条目所属的contentStream对象，记录其objectNumber（对象编号）；
• 同时记录该操作所在的page对象编号，确保仅处理目标页面的对应内容。

2. 清理目标内容流中的文本操作 #

定位到目标文本对应的内容流后，修改JSON文件移除相关操作：

• 找到对应contentStream下的operations数组，删除包含目标文本的Tj/TJ条目，以及该条目之前用于定位文本位置的指令（比如Td/TD类坐标设置操作，避免残留空白）；
• 保留内容流中其他正常操作，防止破坏页面其他内容。

3. 验证并重新生成PDF #

修改完成后，执行以下命令重新生成PDF，检查目标文本是否已删除且页面其他内容正常：

cpdf -j out.json -o modified.pdf

针对测试PDF的具体操作示例 #

针对提供的测试PDF，按以下步骤操作：

1. 导出解析后的JSON：

cpdf test.pdf -output-json -output-json-parse-content-streams -o test.json

2. 打开test.json搜索"XYZ"，找到类似如下的操作条目：

{
  "operator": "Tj",
  "operands": ["XYZ"]
}

3. 删除该条目及其上方的文本定位指令（如["100", "780", "Td"]这类坐标设置操作）；
4. 重新生成PDF：

cpdf -j test.json -o cleaned_test.pdf

打开cleaned_test.pdf即可确认每页顶部的"XYZ"已被移除。

通用优化技巧 #

• 针对复杂PDF，若目标文本有固定排版特征（如固定位置、字体、字号），可结合JSON中的font、textMatrix（包含位置、缩放信息）字段辅助定位，避免误删相似文本；
• 编写脚本（如Python）批量处理JSON文件，自动搜索并删除符合条件的文本操作，提升处理效率。

内容的提问来源于stack exchange，提问作者user1424739