整合PDF和Java技术

1/5/2008来源:Java教程人气:7194


  摘要  自从Adobe公司1993年第一次发布公共PDF参考以来,支持各种语言和平台的PDF工具和类库就如雨后春笋般涌现。然而,java应用开发中Adobe技术的支持相对滞后了。  自从Adobe公司1993年第一次发布公共PDF参考以来,支持各种语言和平台的PDF工具和类库就如雨后春笋般涌现。然而,Java应用开发中Adobe技术的支持相对滞后了。这是个希奇的现象,因为PDF文档是企业信息系统存储和交换信息的大势所趋,而Java技术非凡适合这种应用。然而,Java开发人员似乎直到最近才获得成熟可用的PDF支持。  PDFBox(一个BSD许可下的源码开放项目)是一个为开发人员读取和创建PDF文档而预备的纯Java类库。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过程十分简单。加密/解密PDF文档。 从PDF和XFDF格式中导入或导出表单数据。向已有PDF文档中追加内容。 将一个PDF文档切分为多个文档。覆盖PDF文档。   PDFBox API  PDFBox设计时采用面向对象的方式来描述PDF文档。PDF文档的数据是一系列基本对象的集合:数组,布尔型,字典,数字,字符串和二进制流。PDFBox在org.pdfbox.cos包(COS模型)中定义这些基本对象类型。你可以使用这些对象与PDF文档进行任何交互,但你应该先对PDF文档内部结构以及高层概念作一些深入的了解。例如,页面和字体都是带有非凡属性的字典对象;PDF参考手册提供这些非凡属性的含义和类型的说明,但这是一个枯燥的文档查阅过程。  于是,org.pdfbox.pdfmodel包(PD模型)应运而生,它的基础是COS模型,但提供了以一种熟悉的方式访问PDF文档对象的高层API(如图1)。对底层COS模型进行了封装的PDPage和PDFont等类就在这个包中。   注重,虽然PD模型提供了一些优秀的功能,但它依然是一个开发中的模型。在有些实例中,你可能需要借助于COS模型才能访问PDF的特定功能性。所有的PD模型对象都提供返回相应的COS模型对象的方法。所以,在一般情况下,你都会使用PD模型,但PD模型鞭长莫及时你可以直接操作底层的COS模型。  上文对PDFBox作了大体上的介绍,现在是举一些例子的时候了。我们从如何读已存在的PDF文档开始:PDDocument document =      PDDocument.load( "./test.pdf" );   上面的语句解析指定的PDF文件并在内存中创建其文档对象。考虑到处理大文档时的效率问题,PDFBox只在内存中存储文档结构,图像、内嵌字体和页面内容等对象将被缓存在一个临时文件中。  注重:PDDocument对象使用完毕时需要调用其close()方法来释放创建时使用的资源。   文本提取和Lucene整合  这是一个信息展现时代(an information retrieval age),不管信息存放在哪种媒体中,应用程序都应该支持检索和索引。对信息进行组织和分类从而形成可检索的格式是很要害的。这对于文本文档和Html文档来说是很简单的,但PDF文档包含大量的结构和元信息,提取文档内容决不是一件简单的事情。PDF语言和Postscript相似,二者中的对象都是作为矢量绘制在页面的某些位置。例如:/Helv 12 Tf 0 13.0847 Td (Hello World) Tj   上面的指令将字体设为12号的Helvetica,移到下一行然后打印“Hello World”。这些命令流通常是经过压缩的,文字在屏幕上的显示顺序并不一定是文件中的字符出现顺序。因此,你有时无法直接从原始PDF文档中提取字符串。然而,PDFBox成熟的文本提取算法使得开发人员可以提取文档内容,就像在阅读器中呈现的那样。  Lucene是Apache Jakarta项目的子项目,它是一个流行的源代码开放的搜索引擎库。开发人员可以使用Lucene来创建索引,并基于该索引对大量的文本内容进行复杂的检索。Lucene只支持文本内容的检索,所以开发人员需要将其他形式的数据转换为文本形式才能使用Lucene。例如,Microsoft Word和StarOffice文档都必须先转换为文本形式才能添加到Lucene索引中。  PDF文件也不例外,但PDFBox提供一个非凡的整合对象,这让在Lucene索引中包含PDF文档变得非常轻易。将一个基本PDF文档转换为Lucene文档只需要一条语句:Document doc = LucenePDFDocument.getDocument( file );   这条语句解析指定的PDF文档,提取其内容并创建一个Lucene文档对象。然后你就可以将该对象添加到Lucene索引中了。如上文所述,PDF文档中也包含作者信息和要害词等元数据,在索引PDF文档时对这些元数据进行跟踪时很重要的。表1列出了创建Lucene文档时PDFBox将填写(populate)的字段。  这种整合使得开发人员可以轻松地使用Lucene来支持PDF文档的检索和索引。当然,有些应用程序要求更成熟的文本提取方法。此时可以直接使用PDFTextStripper类,或继续该类来满足这种复杂的需求。  通过继续PDFTextStripper并覆盖showCharacter()方法,你可以从许多方面对文本提取进行控制。例如,使用x、y位置信息进行限制以提取特定文本块。你可以有效地忽略所有的y坐标大于某个值的文本,这样文档头部内容就会被排除。  另一个例子。经常有这种情况:从表单创建了一组PDF文档,但这些原始数据被丢失了。也就是说,这些文档都包含一些你感爱好的文本,而且这些文本都在相似的位置上,但填充文档的表单数据丢失了。例如,你有一些信封,在相同的位置上都有名字和地址信息。这时,你就可以使用PDFTextStripper的派生类来提取期望的字段,这个类就像一种截取屏幕区域的设备。   加密/解密  PDF的一个流行特性是答应对文档内容进行加密、对访问进行控制,限制只能阅读未加密文档。PDF文档加密时采用一个主密码和一个可选的用户密码。假如设定了用户密码,那么PDF阅读器(如Acrobat)将在显示文档之前提示输入密码。而主密码则用于授权修改文档内容。  PDF规范答应PDF文档的创建者对用户使用Acrobat阅读器查看文档时的某些操作进行限制。这些限制包括:打印修改内容提取内容  PDF文档安全的讨论不在本文范畴之内,有爱好的读者可以参考PDF规范的相关部分。PDF文档的安全模型是可插拔式的(pluggable),你可以在加密文档时使用不同的安全处理器(security handler)。对本文而言,PDFBox支持标准的安全处理器,它是大多数PDF文档所使用的。  加密文档时必须先指定一个安全处理器,然后使用一个主密码和用户密码进行加密。在下面的代码中,文档被加密,用户不需要敲入就可以在Acrobat中打开它(没有设置用户密码),但是该文档不可被打印。//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");   更具体的示例参见PDFBox发布版中包含的加密工具类源代码:org.pdfbox.Encrypt。  许多应用程序可以生成PDF文档,但不支持控制文档的安全选项。这时PDFBox就可以用来在发送给用户之前截获并加密PDF文档。   表单整合  当应用程序的输出是一系列表单域的值时,提供将表单保存成文件的功能是很必要的。这时PDF技术将是一个很好的选择。开发人员可以手动编写PDF指令来绘制图形、表格和文本。或者将数据存成xml形式并使用XSL-FO模版来创建PDF文档。然而,这些办法都是比较耗时,轻易出错,而且灵活性也比较差。对于简单的表单而言,一个更好的办法是创建模版,然后将给定的输入数据填入该模版,从而生成文档。  Employment Eligibility Verification是一个大多数人都熟悉的表单,它又叫做“I-9表单”,参见:http://uscis.gov/graphics/formsfee/forms/files/i-9.pdf  你可以使用PDFBox发布版中的一个示例程序列出表单域名单:java org.pdfbox.examples.fdf.PrintFields i-9.pdf   还有一个示例程序用于向指定的域中插入文本形式的数据:java org.pdfbox.examples.fdf.SetField i-9.pdf NAME1 Smith   在Acrobat中打开这个PDF文档你就会看到"Last Name"域已被填写了。你也可以使用以下代码来完成相同的操作: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" );   下面的代码可用于提取刚才填写的表单域的值:PDField field =      acroForm.getField( "NAME1" ); System.out.println(      "First Name=" + field.getValue() );   Acrobat支持将表单数据导入或导出到一个特定的文件格式“表单数据格式”(Forms Data