Discussion :

[chicorico]

Bonjour,

Cela ne semble pas possible, mais j'aimerais en être sur, est-il possible en java de remplacer une chaine de caractère par une autre dans un fichier PDF ?

Itext ne semble pas le faire, je n'ai pratiquement rien trouver sur google(en gratuit) et la seule discussion sur le forum date de juillet 2007.

Peut-être y-a-t-il du nouveau ?

Merci d'avance.

[Morbo]

Non, je crois pas, on peut rechercher & ajouter du contenu, mais pas en remplacer.

[chicorico]

Merci, pour cette réponse.

Si on peut rechercher et ajouter, peut-on supprimer du texte ?
Car dans ce cas l'algo de remplacement serait :
-Rechercher la chaîne à remplacer
-Supprimer la chaîne
-Ajout la nouvelle chaine à la même position.

Est-ce envisageable ?

[Morbo]

Non plus, faut voir ça comme de la peinture, tu ne peux qu'ajouter des couches au dessus des précédentes, enfin je pense.

[chicorico]

Il n'existe pas une autre librairie qui pourrait faire ça ?
C'est incroyable qu'il n'y ai pas de moyen de faire ça

Je ne connais pas bien le format PDF, mais le texte semble être dans des "stream object" dont l'encodage, la compression, la taille sont spécifiés dans les "méta-données" de cet objet.
N'est-il alors pas possible de lire ce fichier en mode "binaire", de rechercher ces "stream object", de les décoder, de remplacer et de ré-encoder ?
Certes cela ne semble pas trivial, mais il existe peut-être quelqu'un qui a déjà fait ça, ou qui s'y connait suffisamment en format pdf pour établir un algorithme ?

J'ai fait un pdf avec "pdf creator" puis ouvert avec ultraedit le texte semble être encadré entre obj et endboj, la méthode de compression est du "zlib":

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
%PDF-1.4
%Çì�¢
5 0 obj
<</Length 6 0 R/Filter /FlateDecode>>
stream
xœeŒ11…÷üŠŒíp1éµ—fD”nât¨Ó)þ|ÛA0�|¼ÌÈ$
¹åãŒÛÚÌ�©o·ˆ_'\Xëª\�ÉÌ¢,NP™2êÀ±Lpr{ß	¥�Òà¾c
–$«»8šF‡�%ªZpOß’!¥ì.¾§j_õ
SÏlÿ’C[ŸË65o*ÿ*èendstream
endobj
....

Fais-je fausse route ? Quelqu'un a-t-il déjà fait ça ?

[chicorico]

J'ai fait une tentative pour décoder l' "object stream" avec la classe Inflater de java.util.zip et voici le résultat :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
 
q 0.12 0 0 0.12 0 0 cm
0 G
0 g
q
8.33333 0 0 8.33333 0 0 cm BT
/R7 12 Tf
0.99941 0 0 1 70.8 760.4 Tm
[(M)-1.52556(o)-0.295187(n)-0.294974( )-0.147792(t)-2.16558(e)3.74(x)-10.3009(t)-2.16558(e)3.74024( )]TJ
ET
Q
Q

Mon texte est bien là (entre BT et ET), mais apparemment je suis pas sortie de l'auberge, à quoi correspondent les chiffres décimaux après les lettres ? La position sur la ligne ? Mais quelle est le point de référence, -1.52556 par rapport à quoi ?

Je suis en train de me demander si ca vaut vraiment le coup tout ce bazar, et si java est finalement bien adapté.
Mon problème est simplement de remplacer certains champs particuliers par une valeur (ex : Remplacer {_NOM_} par Chico).
N'y a-t-il pas une commande système permettant de faire ça sous linux ? Genre un sed mais pour du pdf ?

[Morbo]

Euh, non c'est pas tellement java, le pb, mais le format PDF qui est orienté impression et mélange le contenu avec toutes les infos d'impression.
J'ai creusé également un peu la chose, la dernière version d'iText contient une classe intéressante à desosser, mais faudrait vraiment bien comprendre le format PDF pour aller plus loin.
com.lowagie.text.pdf.parser.SimpleTextExtractingPdfContentStreamProcessor

Un example de son utilisation

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
PdfReader reader = new PdfReader(fileInPath);
RandomAccessFileOrArray f = reader.getSafeFile();
 
int pageNum = 1;
PdfDictionary pageDictionary = reader.getPageN(pageNum);
PdfDictionary resourcesDic = pageDictionary.getAsDict(PdfName.RESOURCES);
byte[] bytes= reader.getPageContent(pageNum, f);
 
 
SimpleTextExtractingPdfContentStreamProcessor extractionProcessor = new SimpleTextExtractingPdfContentStreamProcessor();
extractionProcessor.processContent(bytes, resourcesDic);
pw.println(extractionProcessor.getResultantText());
 
 
pw.flush();

C'est encore à un niveau trop macro, mais si t'as le courage de désosser le parser, c'est peut être une bonne voie.
C'est encore à un niveau trop macro

[Morbo]

Ton document original doit forcément être en PDF?
Si c'est la cas, je vois juste les "acroForm" qui pourraient peut être t'aider. Ils permettent de créer un formulaire pdf que on peut programmatiquement valuer puis faire disparaitre le champ (flattening).

[chicorico]

Salut,

Hélas , mon document est forcément au format PDF, effectivement un format plus "textuel" aurait été plus facile.

J'ai essayé de faire quelque tests en codant mes propres fonctions pour rechercher du texte, ca marche plutôt bien, reste à savoir si ca marche dans tous les cas .
La partie la plus compliquée va être de remplacer le texte et de recalculer via la matrice de transformation la position du texte .
A priori, mettre dans le texte (T)-1.23(o)-1.25(t)-1.52(o)-2.5 ou (T)(o)(t)(o) ne fait pas de grandes différences visuellement, en tout cas je ne les vois pas.

J'ai pas eu encore le courage de regarder le parser ni les acro forms, mais pourrais-tu m'en dire plus sur les acro forms (un bon lien), google n'est pas forcément très bavard sur le sujet.

N'y a t-il pas un utilitaire (en gros un ".exe") qui permettrait de faire ce remplacement par un appel system ?

[chicorico]

Bon, je pense passer par une autre méthode car c'est compliqué de recalculer la position du texte remplacé quand on sait pas comment il est calculé à la base

J'aimerais convertir le pdf dans un format intermédiaire, remplacer les champs et convertir le format intermédiaire en pdf.

Je m'interroge sur le format intermédiaire, l'HTML ferait bien l'affaire, mais il ne semble pas y avoir grand chose comme librairie free pour faire Pdf->HTML->Pdf de façon simple en java (c.à.d. ne pas ré-écrire le parsing).

Je pensais sinon au format XML, mais ca me semble tout aussi compliquer.

Avez-vous une idée d'un format intermédiaire ? Ou d'une librairie permettant de faire PDF->(HTML ou XML)->PDF ?

Merci d'avance.

[Morbo]

Je te conseillerais d'abandonner le pdf comme format pivot et d'en prendre un fait pour être manipulable comme odf, wordml/openxml.

Enfin, sinon il existe un filtre d'import pdf pour openoffice3 http://extensions.services.openoffic...ject/pdfimport
Donc la conversion pdf->odf est possible (et les autres format que suppote OO).
Et je viens de le tester, il marche pas mal du tout!

Ce qui est intéressant c'est qu'on peut faire tourner OO en mode serveur (faut qu'il y ait un serveur X je crois), et l'interroger via une API (UNO je crois).