原文標題：Making PDFs Portable: Integrating PDF and Java Technology
原文日期：2005年3月24日
原文作者：Ben Litchfield
摘要
自從Adobe公司1993年第一次發布公共PDF參考以來，支持各種語言和平臺的PDF工具和類庫就如雨后春筍般涌現。然而，Java應用開發中Adobe技術的支持相對滯后了。
自從Adobe公司1993年第一次發布公共PDF參考以來，支持各種語言和平臺的PDF工具和類庫就如雨后春筍般涌現。然而，Java應用開發中Adobe技術的支持相對滯后了。這是個奇怪的現象，因為PDF文檔是企業信息系統存儲和交換信息的大勢所趨，而Java技術特別適合這種應用。然而，Java開發人員似乎直到最近才獲得成熟可用的PDF支持。
PDFBox（一個BSD許可下的源碼開放項目）是一個為開發人員讀取和創建PDF文檔而準備的純Java類庫。它提供如下特性：
- 提取文本，包括Unicode字符。
- 和Jakarta Lucene等文本搜索引擎的整合過程十分簡單。
- 加密/解密PDF文檔。
- 從PDF和XFDF格式中導入或導出表單數據。
- 向已有PDF文檔中追加內容。
- 將一個PDF文檔切分為多個文檔。
- 覆蓋PDF文檔。
PDFBox API
PDFBox設計時采用面向對象的方式來描述PDF文檔。PDF文檔的數據是一系列基本對象的集合：數組，布爾型，字典，數字，字符串和二進制流。PDFBox在org.pdfbox.cos包（COS模型）中定義這些基本對象類型。你可以使用這些對象與PDF文檔進行任何交互，但你應該先對PDF文檔內部結構以及高層概念作一些深入的了解。例如，頁面和字體都是帶有特殊屬性的字典對象；PDF參考手冊提供這些特殊屬性的含義和類型的說明，但這是一個枯燥的文檔查閱過程。
于是，org.pdfbox.pdfmodel包（PD模型）應運而生，它的基礎是COS模型，但提供了以一種熟悉的方式訪問PDF文檔對象的高層API（如圖1）。對底層COS模型進行了封裝的PDPage和PDFont等類就在這個包中。
注意，雖然PD模型提供了一些優秀的功能，但它依然是一個開發中的模型。在有些實例中，你可能需要借助于COS模型才能訪問PDF的特定功能性。所有的PD模型對象都提供返回相應的COS模型對象的方法。所以，在一般情況下，你都會使用PD模型，但PD模型鞭長莫及時你可以直接操作底層的COS模型。
上文對PDFBox作了大體上的介紹，現在是舉一些例子的時候了。我們從如何讀已存在的PDF文檔開始：
- PDDocument document =
- PDDocument.load( "./test.pdf" );
上面的語句解析指定的PDF文件并在內存中創建其文檔對象。考慮到處理大文檔時的效率問題，PDFBox只在內存中存儲文檔結構，圖像、內嵌字體和頁面內容等對象將被緩存在一個臨時文件中。
注意：PDDocument對象使用完畢時需要調用其close()方法來釋放創建時使用的資源。
文本提取和Lucene整合
這是一個信息展現時代（an information retrieval age），不管信息存放在哪種媒體中，應用程序都應該支持檢索和索引。對信息進行組織和分類從而形成可檢索的格式是很關鍵的。這對于文本文檔和HTML文檔來說是很簡單的，但PDF文檔包含大量的結構和元信息，提取文檔內容決不是一件簡單的事情。PDF語言和Postscript相似，二者中的對象都是作為矢量繪制在頁面的某些位置。例如：
- /Helv 12 Tf
- 0 13.0847 Td
- (Hello World) Tj
上面的指令將字體設為12號的Helvetica，移到下一行然后打印“Hello World”。這些命令流通常是經過壓縮的，文字在屏幕上的顯示順序并不一定是文件中的字符出現順序。因此，你有時無法直接從原始PDF文檔中提取字符串。然而，PDFBox成熟的文本提取算法使得開發人員可以提取文檔內容，就像在閱讀器中呈現的那樣。
Lucene是Apache Jakarta項目的子項目，它是一個流行的源代碼開放的搜索引擎庫。開發人員可以使用Lucene來創建索引，并基于該索引對大量的文本內容進行復雜的檢索。Lucene只支持文本內容的檢索，所以開發人員需要將其他形式的數據轉換為文本形式才能使用Lucene。例如，Microsoft Word和StarOffice文檔都必須先轉換為文本形式才能添加到Lucene索引中。
PDF文件也不例外，但PDFBox提供一個特殊的整合對象，這讓在Lucene索引中包含PDF文檔變得非常容易。將一個基本PDF文檔轉換為Lucene文檔只需要一條語句：
-
Document doc = LucenePDFDocument.getDocument( file );
這條語句解析指定的PDF文檔，提取其內容并創建一個Lucene文檔對象。然后你就可以將該對象添加到Lucene索引中了。如上文所述，PDF文檔中也包含作者信息和關鍵詞等元數據，在索引PDF文檔時對這些元數據進行跟蹤時很重要的。表1列出了創建Lucene文檔時PDFBox將填寫（populate）的字段。
這種整合使得開發人員可以輕松地使用Lucene來支持PDF文檔的檢索和索引。當然，有些應用程序要求更成熟的文本提取方法。此時可以直接使用PDFTextStripper類，或繼承該類來滿足這種復雜的需求。
通過繼承PDFTextStripper并覆蓋showCharacter()方法，你可以從許多方面對文本提取進行控制。例如，使用x、y位置信息進行限制以提取特定文本塊。你可以有效地忽略所有的y坐標大于某個值的文本，這樣文檔頭部內容就會被排除。
另一個例子。常常有這種情況：從表單創建了一組PDF文檔，但這些原始數據被丟失了。也就是說，這些文檔都包含一些你感興趣的文本，而且這些文本都在相似的位置上，但填充文檔的表單數據丟失了。例如，你有一些信封，在相同的位置上都有名字和地址信息。這時，你就可以使用PDFTextStripper的派生類來提取期望的字段，這個類就像一種截取屏幕區域的設備。
加密/解密
PDF的一個流行特性是允許對文檔內容進行加密、對訪問進行控制，限制只能閱讀未加密文檔。PDF文檔加密時采用一個主密碼和一個可選的用戶密碼。如果設定了用戶密碼，那么PDF閱讀器（如Acrobat）將在顯示文檔之前提示輸入密碼。而主密碼則用于授權修改文檔內容。
PDF規范允許PDF文檔的創建者對用戶使用Acrobat閱讀器查看文檔時的某些操作進行限制。這些限制包括：
PDF文檔安全的討論不在本文范疇之內，有興趣的讀者可以參考PDF規范的相關部分。PDF文檔的安全模型是可插拔式的（pluggable），你可以在加密文檔時使用不同的安全處理器（security handler）。對本文而言，PDFBox支持標準的安全處理器，它是大多數PDF文檔所使用的。
加密文檔時必須先指定一個安全處理器，然后使用一個主密碼和用戶密碼進行加密。在下面的代碼中，文檔被加密，用戶不需要敲入就可以在Acrobat中打開它（沒有設置用戶密碼），但是該文檔不可被打印。
-
//load the document
- PDDocument pdf =
- PDDocument.load( "test.pdf" );
-
//create the encryption options
- PDStandardEncryption encryptionOptions =
-
new
PDStandardEncryption();
- encryptionOptions.setCanPrint( false );
- pdf.setEncryptionDictionary(
- encryptionOptions );
-
//encrypt the document
- pdf.encrypt( "master", null );
-
//save the encrypted document
-
//to the file system
- pdf.save( "test-output.pdf");
更詳細的示例參見PDFBox發布版中包含的加密工具類源代碼：org.pdfbox.Encrypt。
許多應用程序可以生成PDF文檔，但不支持控制文檔的安全選項。這時PDFBox就可以用來在發送給用戶之前截獲并加密PDF文檔。
表單整合
當應用程序的輸出是一系列表單域的值時，提供將表單保存成文件的功能是很必要的。這時PDF技術將是一個很好的選擇。開發人員可以手動編寫PDF指令來繪制圖形、表格和文本。或者將數據存成XML形式并使用XSL-FO模版來創建PDF文檔。然而，這些辦法都是比較耗時，容易出錯，而且靈活性也比較差。對于簡單的表單而言，一個更好的辦法是創建模版，然后將給定的輸入數據填入該模版，從而生成文檔。
Employment Eligibility Verification是一個大多數人都熟悉的表單，它又叫做“I-9表單”，參見：http://uscis.gov/graphics/formsfee/forms/files/i-9.pdf
你可以使用PDFBox發布版中的一個示例程序列出表單域名單：
- java org.pdfbox.examples.fdf.PrintFields i-9.pdf
還有一個示例程序用于向指定的域中插入文本形式的數據：
- java org.pdfbox.examples.fdf.SetField i-9.pdf NAME1 Smith
在Acrobat中打開這個PDF文檔你就會看到"Last Name"域已被填寫了。你也可以使用以下代碼來完成相同的操作：
- PDDocument pdf =
- PDDocument.load( "i-9.pdf" );
- PDDocumentCatalog docCatalog =
- pdf.getDocumentCatalog();
- PDAcroForm acroForm =
- docCatalog.getAcroForm();
- PDField field =
- acroForm.getField( "NAME1" );
- field.setValue( "Smith" );
- pdf.save( "i-9-copy.pdf" );
下面的代碼可用于提取剛才填寫的表單域的值：
- PDField field =
- acroForm.getField( "NAME1" );
-
System
.out.println(
-
"First Name=" field.getValue() );
Acrobat支持將表單數據導入或導出到一個特定的文件格式“表單數據格式”（Forms Data Format）。這種文件有兩類：FDF和XFDF。FDF文件存放表單數據的格式與PDF相同，而XFDF則以XML格式存放表單數據。PDFBox在一個類中處理FDF和XFDF：FDFDocument。下面的代碼片斷演示了如何從上面的I-9表單導出FDF數據：
- PDDocument pdf =
- PDDocument.load( "i-9.pdf" );
- PDDocumentCatalog docCatalog =
- pdf.getDocumentCatalog();
- PDAcroForm acroForm =
- docCatalog.getAcroForm();
- FDFDocument fdf = acroForm.exportFDF();
- fdf.save( "exportedData.fdf" );
PDFBox表單整合步驟：
- 使用Acrobat或其他可視化工具創建PDF表單模版
- 記下每個需要的（desirable）表單域的名稱
- 將模版存放在應用程序可以訪問到的地方
- 當PDF被請求時，使用PDFBox解析PDF模版
- 填充指定的表單域
- 將填充結果（PDF）返回給用戶
工具
除了上文介紹的API之外，PDFBox還提供一系列命令行工具。表2列出了這些工具類并作簡短介紹。
備注
PDF規范共有1172頁之多，其實現的確是一浩大工程。同樣，PDFBox發布版中說它“正在進行中”，新的功能會慢慢地添加上去。它的主要弱點是從零開始創建PDF文檔。然而，有一些源碼開放的Java項目可用于填補這個缺口。例如，Apache FOP項目支持從特殊的XML文檔生成PDF，這個XML文檔描述了要生成的PDF文檔。此外，iText提供一個高層API用于創建表格和列表。
PDFBox的下一個版本將支持新的PDF 1.5 對象流和交叉引用流。然后將提供內嵌字體和圖像的支持。在PDFBox的努力下，Java應用程序中的PDF技術有望得到充分的支持。
參考資源
PDFBox: www.pdfbox.org
Apache FOP: http://xml.apache.org/fop/
iText: www.lowagie.com/iText/
PDF Reference: http://partners.adobe.com/asn/tech/pdf/specifications.jsp
Jakarta Lucene: http://jakarta.spache.org/lucene/
關于作者
Ben Litchfield是一位擁有LPA Systems開發和整合經驗的商業系統顧問。在過去的兩年中，他領導著PDFBox開發組。Ben擁有Rochester技術研究院的軟件工程方面的學士學位。在過去的5年中，他一直在提供企業應用程序的解決方案。（更多）
（譯注：原文中沒有下圖的說明，但給出其鏈接）
posted on 2008-12-22 16:14
JasonChou 閱讀(5117)
評論(0) 編輯 收藏 所屬分類:
Tec.other