Я недавно обнаружил iTextSharp.

Я исследовал проблему с производительностью при рендеринге PDF-документов, и Бруно Лоуаги (автор iText) любезно объяснил мне причину, по которой у меня возникла такая проблема: это было связано с количеством «встроенных изображений» в моих PDF-документах. Он также объяснил основы для удаления этих «встроенных изображений» ... (Моя цель - «возможно» показать предварительный просмотр документа с четким уведомлением о том, что это не настоящий документ и что этот документ может открываться очень медленно. Я четко понимаю, что то, что я пытаюсь сделать, далеко не надежно / безопасно / ... Проблема должна быть решена на другом уровне, например: при создании документов, ...)

К сожалению, мне не удается самостоятельно выполнить очистку: / Вот некоторый код, который у меня есть в настоящее время (вдохновленный различными образцами, найденными в stackOverflow) ...

PdfReader pdfReader = new PdfReader(filename);
try
{  
    //pdfReader.RemoveUnusedObjects();

    var cleanfilename = filename.Replace(".pdf", ".clean.pdf");
    if (File.Exists(cleanfilename))
        File.Delete(cleanfilename);

    using (var file = new FileStream(cleanfilename, FileMode.Create))
    {
        var pdfstamper = new PdfStamper(pdfReader, file);

        for (var page = 1; page <= pdfReader.NumberOfPages; page++)
        {    
            PdfDictionary pageDict = pdfReader.GetPageN(page);
            PdfObject pageObj = pageDict.GetDirectObject(PdfName.CONTENTS);
            if (pageObj.IsStream())
            {
                CleanStream(pageObj);
            }
            else if (pageObj.IsArray())
            {
                PdfArray pageArray = pageDict.GetAsArray(PdfName.CONTENTS);

                for (int j = 0; j < pageArray.Size; j++)
                {
                    PdfIndirectReference arrayElement = (PdfIndirectReference)pageArray[j];
                    pageObj = pdfReader.GetPdfObject(arrayElement.Number);
                    if (pageObj.IsStream())
                    {
                        CleanStream(pageObj);
                    }
                }
            }
        }

        pdfstamper.Close();
    }
}
catch (Exception ex)
{
    MessageBox.Show("Error: " + ex.Message, "Error");
}
finally
{
    pdfReader.Close();
}

а также

Regex regEx = new Regex("\\nBI.*?\\nEI", RegexOptions.Compiled);

private void CleanStream(PdfObject obj)
{
    var stream = (PRStream)obj;
    var data = PdfReader.GetStreamBytes(stream);

    var currentContent = Encoding.ASCII.GetString(data);    
    var newContent = regEx.Replace(currentContent, "");
    var newData = Encoding.ASCII.GetBytes(newContent);

    stream.SetData(newData);
}

Он отлично работает на PDF без встроенных изображений ... Но «текст» исчезает со страниц, где есть встроенные изображения.

Я думал, что проблема была с заменой. Но это не тот случай, насколько я могу судить. Используя следующий код (вид прохода), с выходным документом все в порядке:

private void CleanStream(PdfObject obj)
{
    var stream = (PRStream)obj;
    var data = PdfReader.GetStreamBytes(stream);

    stream.SetData(data);
}

Однако, используя следующий код, который теоретически не меняет ни одного байта (не так ли?), Выходные документы больше не отображаются нормально (некоторое содержимое, похоже, не отображается)?!?!?

private void CleanStream(PdfObject obj)
{
    var stream = (PRStream)obj;
    var data = PdfReader.GetStreamBytes(stream);

    var currentContent = Encoding.ASCII.GetString(data);    
    var newData = Encoding.ASCII.GetBytes(currentContent);

    stream.SetData(newData);
}

Похоже, преобразование байтового массива в строку и обратно в массив не является «прозрачной» операцией.

Я действительно не понимаю!?! Но с другой стороны, я знаю, что я настоящий новичок в отношении PDF. Что мне не хватает?

Это совсем не критично (мне все равно, не удастся ли мне удалить эти встроенные изображения). Но мне сейчас очень интересно понять, что происходит: D

Вот образец PDF:https://drive.google.com/file/d/0Byqch0ZyIb5DWDdmSTJ3SDMxMW8/edit?usp=sharing