PDFBOX詳細(xì)介紹.doc

PDF和Java技術(shù)(PDFBox)2008-07-17 08:29:44|分類(lèi)：java(B/S)|字號(hào)訂閱原文標(biāo)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(fā)布公共PDF參考以來(lái)，支持各種語(yǔ)言和平臺(tái)的PDF工具和類(lèi)庫(kù)就如雨后春筍般涌現(xiàn)。然而，Java應(yīng)用開(kāi)發(fā)中Adobe技術(shù)的支持相對(duì)滯后了。自從Adobe公司1993年第一次發(fā)布公共PDF參考以來(lái)，支持各種語(yǔ)言和平臺(tái)的PDF工具和類(lèi)庫(kù)就如雨后春筍般涌現(xiàn)。然而，Java應(yīng)用開(kāi)發(fā)中Adobe技術(shù)的支持相對(duì)滯后了。這是個(gè)奇怪的現(xiàn)象，因?yàn)镻DF文檔是企業(yè)信息系統(tǒng)存儲(chǔ)和交換信息的大勢(shì)所趨，而Java技術(shù)特別適合這種應(yīng)用。然而，Java開(kāi)發(fā)人員似乎直到最近才獲得成熟可用的PDF支持。PDFBox（一個(gè)BSD許可下的源碼開(kāi)放項(xiàng)目）是一個(gè)為開(kāi)發(fā)人員讀取和創(chuàng)建PDF文檔而準(zhǔn)備的純Java類(lèi)庫(kù)。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(guò)程十分簡(jiǎn)單。 加密/解密PDF文檔。 從PDF和XFDF格式中導(dǎo)入或?qū)С霰韱螖?shù)據(jù)。 向已有PDF文檔中追加內(nèi)容。 將一個(gè)PDF文檔切分為多個(gè)文檔。 覆蓋PDF文檔。PDFBox APIPDFBox設(shè)計(jì)時(shí)采用面向?qū)ο蟮姆绞絹?lái)描述PDF文檔。PDF文檔的數(shù)據(jù)是一系列基本對(duì)象的集合：數(shù)組，布爾型，字典，數(shù)字，字符串和二進(jìn)制流。PDFBox在org.pdfbox.cos包（COS模型）中定義這些基本對(duì)象類(lèi)型。你可以使用這些對(duì)象與PDF文檔進(jìn)行任何交互，但你應(yīng)該先對(duì)PDF文檔內(nèi)部結(jié)構(gòu)以及高層概念作一些深入的了解。例如，頁(yè)面和字體都是帶有特殊屬性的字典對(duì)象；PDF參考手冊(cè)提供這些特殊屬性的含義和類(lèi)型的說(shuō)明，但這是一個(gè)枯燥的文檔查閱過(guò)程。于是，org.pdfbox.pdfmodel包（PD模型）應(yīng)運(yùn)而生，它的基礎(chǔ)是COS模型，但提供了以一種熟悉的方式訪問(wèn)PDF文檔對(duì)象的高層API（如圖1）。對(duì)底層COS模型進(jìn)行了封裝的PDPage和PDFont等類(lèi)就在這個(gè)包中。注意，雖然PD模型提供了一些優(yōu)秀的功能，但它依然是一個(gè)開(kāi)發(fā)中的模型。在有些實(shí)例中，你可能需要借助于COS模型才能訪問(wèn)PDF的特定功能性。所有的PD模型對(duì)象都提供返回相應(yīng)的COS模型對(duì)象的方法。所以，在一般情況下，你都會(huì)使用PD模型，但PD模型鞭長(zhǎng)莫及時(shí)你可以直接操作底層的COS模型。上文對(duì)PDFBox作了大體上的介紹，現(xiàn)在是舉一些例子的時(shí)候了。我們從如何讀已存在的PDF文檔開(kāi)始：1. PDDocument document =2. PDDocument.load(./test.pdf);上面的語(yǔ)句解析指定的PDF文件并在內(nèi)存中創(chuàng)建其文檔對(duì)象?？紤]到處理大文檔時(shí)的效率問(wèn)題，PDFBox只在內(nèi)存中存儲(chǔ)文檔結(jié)構(gòu)，圖像、內(nèi)嵌字體和頁(yè)面內(nèi)容等對(duì)象將被緩存在一個(gè)臨時(shí)文件中。注意：PDDocument對(duì)象使用完畢時(shí)需要調(diào)用其close()方法來(lái)釋放創(chuàng)建時(shí)使用的資源。文本提取和Lucene整合這是一個(gè)信息展現(xiàn)時(shí)代（an information retrieval age），不管信息存放在哪種媒體中，應(yīng)用程序都應(yīng)該支持檢索和索引。對(duì)信息進(jìn)行組織和分類(lèi)從而形成可檢索的格式是很關(guān)鍵的。這對(duì)于文本文檔和HTML文檔來(lái)說(shuō)是很簡(jiǎn)單的，但PDF文檔包含大量的結(jié)構(gòu)和元信息，提取文檔內(nèi)容決不是一件簡(jiǎn)單的事情。PDF語(yǔ)言和Postscript相似，二者中的對(duì)象都是作為矢量繪制在頁(yè)面的某些位置。例如：1. /Helv 12 Tf2. 0 13.0847 Td3. (Hello World) Tj上面的指令將字體設(shè)為12號(hào)的Helvetica，移到下一行然后打印“Hello World”。這些命令流通常是經(jīng)過(guò)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(xiàn)順序。因此，你有時(shí)無(wú)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(kāi)發(fā)人員可以提取文檔內(nèi)容，就像在閱讀器中呈現(xiàn)的那樣。Lucene是Apache Jakarta項(xiàng)目的子項(xiàng)目，它是一個(gè)流行的源代碼開(kāi)放的搜索引擎庫(kù)。開(kāi)發(fā)人員可以使用Lucene來(lái)創(chuàng)建索引，并基于該索引對(duì)大量的文本內(nèi)容進(jìn)行復(fù)雜的檢索。Lucene只支持文本內(nèi)容的檢索，所以開(kāi)發(fā)人員需要將其他形式的數(shù)據(jù)轉(zhuǎn)換為文本形式才能使用Lucene。例如，Microsoft Word和StarOffice文檔都必須先轉(zhuǎn)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(gè)特殊的整合對(duì)象，這讓在Lucene索引中包含PDF文檔變得非常容易。將一個(gè)基本PDF文檔轉(zhuǎn)換為L(zhǎng)ucene文檔只需要一條語(yǔ)句：1. Documentdoc = LucenePDFDocument.getDocument( file );這條語(yǔ)句解析指定的PDF文檔，提取其內(nèi)容并創(chuàng)建一個(gè)Lucene文檔對(duì)象。然后你就可以將該對(duì)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(guān)鍵詞等元數(shù)據(jù)，在索引PDF文檔時(shí)對(duì)這些元數(shù)據(jù)進(jìn)行跟蹤時(shí)很重要的。表1列出了創(chuàng)建Lucene文檔時(shí)PDFBox將填寫(xiě)（populate）的字段。這種整合使得開(kāi)發(fā)人員可以輕松地使用Lucene來(lái)支持PDF文檔的檢索和索引。當(dāng)然，有些應(yīng)用程序要求更成熟的文本提取方法。此時(shí)可以直接使用PDFTextStripper類(lèi)，或繼承該類(lèi)來(lái)滿足這種復(fù)雜的需求。通過(guò)繼承PDFTextStripper并覆蓋showCharacter()方法，你可以從許多方面對(duì)文本提取進(jìn)行控制。例如，使用x、y位置信息進(jìn)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(biāo)大于某個(gè)值的文本，這樣文檔頭部?jī)?nèi)容就會(huì)被排除。另一個(gè)例子。常常有這種情況：從表單創(chuàng)建了一組PDF文檔，但這些原始數(shù)據(jù)被丟失了。也就是說(shuō)，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(shù)據(jù)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(shí)，你就可以使用PDFTextStripper的派生類(lèi)來(lái)提取期望的字段，這個(gè)類(lèi)就像一種截取屏幕區(qū)域的設(shè)備。加密/解密PDF的一個(gè)流行特性是允許對(duì)文檔內(nèi)容進(jìn)行加密、對(duì)訪問(wèn)進(jìn)行控制，限制只能閱讀未加密文檔。PDF文檔加密時(shí)采用一個(gè)主密碼和一個(gè)可選的用戶密碼。如果設(shè)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(quán)修改文檔內(nèi)容。PDF規(guī)范允許PDF文檔的創(chuàng)建者對(duì)用戶使用Acrobat閱讀器查看文檔時(shí)的某些操作進(jìn)行限制。這些限制包括： 打印 修改內(nèi)容 提取內(nèi)容PDF文檔安全的討論不在本文范疇之內(nèi)，有興趣的讀者可以參考PDF規(guī)范的相關(guān)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(shí)使用不同的安全處理器（security handler）。對(duì)本文而言，PDFBox支持標(biāo)準(zhǔn)的安全處理器，它是大多數(shù)PDF文檔所使用的。加密文檔時(shí)必須先指定一個(gè)安全處理器，然后使用一個(gè)主密碼和用戶密碼進(jìn)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(kāi)它（沒(méi)有設(shè)置用戶密碼），但是該文檔不可被打印。1. /load the document2. PDDocument pdf =3. PDDocument.load(test.pdf);4. /create the encryption options5. PDStandardEncryption encryptionOptions =6. newPDStandardEncryption();7. encryptionOptions.setCanPrint(false);8. pdf.setEncryptionDictionary(9. encryptionOptions );10. /encrypt the document11. pdf.encrypt(master,null);12. /save the encrypted document13. /to the file system14. pdf.save(test-output.pdf);更詳細(xì)的示例參見(jiàn)PDFBox發(fā)布版中包含的加密工具類(lèi)源代碼：org.pdfbox.Encrypt。許多應(yīng)用程序可以生成PDF文檔，但不支持控制文檔的安全選項(xiàng)。這時(shí)PDFBox就可以用來(lái)在發(fā)送給用戶之前截獲并加密PDF文檔。表單整合當(dāng)應(yīng)用程序的輸出是一系列表單域的值時(shí)，提供將表單保存成文件的功能是很必要的。這時(shí)PDF技術(shù)將是一個(gè)很好的選擇。開(kāi)發(fā)人員可以手動(dòng)編寫(xiě)PDF指令來(lái)繪制圖形、表格和文本?；蛘邔?shù)據(jù)存成XML形式并使用XSL-FO模版來(lái)創(chuàng)建PDF文檔。然而，這些辦法都是比較耗時(shí)，容易出錯(cuò)，而且靈活性也比較差。對(duì)于簡(jiǎn)單的表單而言，一個(gè)更好的辦法是創(chuàng)建模版，然后將給定的輸入數(shù)據(jù)填入該模版，從而生成文檔。Employment Eligibility Verification是一個(gè)大多數(shù)人都熟悉的表單，它又叫做“I-9表單”，參見(jiàn)：/graphics/formsfee/forms/files/i-9.pdf你可以使用PDFBox發(fā)布版中的一個(gè)示例程序列出表單域名單：1. java org.pdfbox.examples.fdf.PrintFields i-9.pdf還有一個(gè)示例程序用于向指定的域中插入文本形式的數(shù)據(jù)：1. java org.pdfbox.examples.fdf.SetField i-9.pdf NAME1 Smith在Acrobat中打開(kāi)這個(gè)PDF文檔你就會(huì)看到Last Name域已被填寫(xiě)了。你也可以使用以下代碼來(lái)完成相同的操作：1. PDDocument pdf =2. PDDocument.load(i-9.pdf);3. PDDocumentCatalog docCatalog =4. pdf.getDocumentCatalog();5. PDAcroForm acroForm =6. docCatalog.getAcroForm();7. PDField field =8. acroForm.getField(NAME1);9. field.setValue(Smith);10. pdf.save(i-9-copy.pdf);下面的代碼可用于提取剛才填寫(xiě)的表單域的值：1. PDField field =2. acroForm.getField(NAME1);3. System.out.println(4. First Name=field.getValue() );Acrobat支持將表單數(shù)據(jù)導(dǎo)入或?qū)С龅揭粋€(gè)特定的文件格式“表單數(shù)據(jù)格式”（Forms Data Format）。這種文件有兩類(lèi)：FDF和XFDF。FDF文件存放表單數(shù)據(jù)的格式與PDF相同，而XFDF則以XML格式存放表單數(shù)據(jù)。PDFBox在一個(gè)類(lèi)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(dǎo)出FDF數(shù)據(jù)：1. PDDocument pdf =2. PDDocument.load(i-9.pdf);3. PDDocumentCatalog docCatalog =4. pdf.getDocumentCatalog();5. PDAcroForm acroForm =6. docCatalog.getAcroForm();7. FDFDocument fdf = acroForm.exportFDF();8. fdf.save(exportedData.fdf);PDFBox表單整合步驟：1. 使用Acrobat或其他可視化工具創(chuàng)建PDF表單模版2. 記下每個(gè)需要的（desirable）表單域的名稱3. 將模版存放在應(yīng)用程序可以訪問(wèn)到的地方4. 當(dāng)PDF被請(qǐng)求時(shí)，使用PDFBox解析PDF模版5. 填充指定的表單域6. 將填充結(jié)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(lèi)并作簡(jiǎn)短介紹。備注PDF規(guī)范共有1172頁(yè)之多，其實(shí)現(xiàn)的確是一浩大工程。同樣，PDFBox發(fā)布版中說(shuō)它“正在進(jìn)行中”，新的功能會(huì)慢慢地添加上去。它的主要弱點(diǎn)是從零開(kāi)始創(chuàng)建PDF文檔。然而，有一些源碼開(kāi)放的Java項(xiàng)目可用于填補(bǔ)這個(gè)缺口。例如，Apache FOP項(xiàng)目支持從特殊的XML文檔生成PDF，這個(gè)XML文檔描述了要生成的PDF文檔。此外，iText提供一個(gè)高層API用于創(chuàng)建表格和列表。PDFBox的下一個(gè)版本將支持新的PDF 1.5 對(duì)象流和交叉引用流。然后將提供內(nèi)嵌字體和圖像的支持。在PDFBox的努力下，Java應(yīng)用程序中的PDF技術(shù)有望得到充分的支持。參考資源PDFBox:Apache FOP:http:/xml.apache.o