整合PDF和Java技術

摘要　　自從Adobe公司1993年第一次發布公用PDF參考以來，支援各種語言和平台的PDF工具和類庫就如雨後春筍般湧現。然而，Java應用開發中Adobe技術的支援相對滯後了。　　自從Adobe公司1993年第一次發布公用PDF參考以來，支援各種語言和平台的PDF工具和類庫就如雨後春筍般湧現。然而，Java應用開發中Adobe技術的支援相對滯後了。這是個奇怪的現象，因為PDF文檔是公司資訊系統儲存和交換資訊的大勢所趨，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支援。　　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建立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字元。和Jakarta Lucene等文本搜尋引擎的整合過程十分簡單。加密/解密PDF文檔。 從PDF和XFDF格式中匯入或匯出表單資料。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設計時採用物件導向的方式來描述PDF文檔。PDF文檔的資料是一系列基本對象的集合：數組，布爾型，字典，數字，字串和二進位流。PDFBox在org.pdfbox.cos包（COS模型）中定義這些基本物件類型。你可以使用這些對象與PDF文檔進行任何互動，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瞭解。例如，頁面和字型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。　　於是，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。在有些執行個體中，你可能需要藉助於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檔案並在記憶體中建立其文檔對象。考慮到處理大文檔時的效率問題，PDFBox只在記憶體中儲存文檔結構，映像、內嵌字型和頁面內容等對象將被緩衝在一個臨時檔案中。　　注意：PDDocument對象使用完畢時需要調用其close()方法來釋放建立時使用的資源。　　 文本提取和Lucene整合　　這是一個資訊展現時代（an information retrieval age），不管資訊存放在哪種媒體中，應用程式都應該支援檢索和索引。對資訊進行組織和分類從而形成可檢索的格式是很關鍵的。這對於文字文件和HTML文檔來說是很簡單的，但PDF文檔包含大量的結構和元資訊，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向量繪製在頁面的某些位置。例如：/Helv 12 Tf 0 13.0847 Td (Hello World) Tj 　　上面的指令將字型設為12號的Helvetica，移到下一行然後列印“Hello World”。這些命令流通常是經過壓縮的，文字在螢幕上的顯示順序並不一定是檔案中的字元出現順序。因此，你有時無法直接從原始PDF文檔中提取字串。然而，PDFBox成熟的文本提取演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，它是一個流行的原始碼開放的搜尋引擎庫。開發人員可以使用Lucene來建立索引，並基於該索引對大量的常值內容進行複雜的檢索。Lucene只支援常值內容的檢索，所以開發人員需要將其他形式的資料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檔案也不例外，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，提取其內容並建立一個Lucene文檔對象。然後你就可以將該對象添加到Lucene索引中了。如上文所述，PDF文檔中也包含作者資訊和關鍵詞等中繼資料，在索引PDF文檔時對這些中繼資料進行跟蹤時很重要的。表1列出了建立Lucene文檔時PDFBox將填寫（populate）的欄位。　　這種整合使得開發人員可以輕鬆地使用Lucene來支援PDF文檔的檢索和索引。當然，有些應用程式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複雜的需求。　　通過繼承PDFTextStripper並覆蓋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位置資訊進行限制以提取特定文字區塊。你可以有效地忽略所有的y座標大於某個值的文本，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：從表單建立了一組PDF文檔，但這些未經處理資料被丟失了。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，但填充文檔的表單資料丟失了。例如，你有一些信封，在相同的位置上都有名字和地址資訊。這時，你就可以使用PDFTextStripper的衍生類別來提取期望的欄位，這個類就像一種截取螢幕地區的裝置。　　 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文檔加密時採用一個主密碼和一個可選的使用者密碼。如果設定了使用者密碼，那麼PDF閱讀器（如Acrobat）將在顯示文檔之前提示輸入密碼。而主密碼則用於授權修改文檔內容。　　PDF規範允許PDF文檔的建立者對使用者使用Acrobat閱讀器查看文檔時的某些操作進行限制。這些限制包括：列印修改內容提取內容　　PDF文檔安全的討論不在本文範疇之內，有興趣的讀者可以參考PDF規範的相關部分。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支援標準的安全處理器，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，然後使用一個主密碼和使用者密碼進行加密。在下面的代碼中，文檔被加密，使用者不需要敲入就可以在Acrobat中開啟它（沒有設定使用者密碼），但是該文檔不可被列印。//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"); 　　更詳細的樣本參見PDFBox發布版中包含的加密工具類原始碼：org.pdfbox.Encrypt。　　許多應用程式可以產生PDF文檔，但不支援控制文檔的安全選項。這時PDFBox就可以用來在發送給使用者之前截獲並加密PDF文檔。　　 表單整合　　當應用程式的輸出是一系列表單域的值時，提供將表單儲存成檔案的功能是很必要的。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指令來繪製圖形、表格和文本。或者將資料存成XML形式並使用XSL-FO模版來建立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。對於簡單的表單而言，一個更好的辦法是建立模版，然後將給定的輸入資料填入該模版，從而產生文檔。　　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發布版中的一個樣本程式列出表單網域名稱單：java org.pdfbox.examples.fdf.PrintFields i-9.pdf 　　還有一個樣本程式用於向指定的域中插入文本形式的資料：java org.pdfbox.examples.fdf.SetField i-9.pdf NAME1 Smith 　　在Acrobat中開啟這個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" ); 　　下面的代碼可用於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支援將表單資料匯入或匯出到一個特定的檔案格式“表單資料格式”（Forms Data Format）。這種檔案有兩類：FDF和XFDF。FDF檔案存放表單資料的格式與PDF相同，而XFDF則以XML格式存放表單資料。PDFBox在一個類中處理FDF和XFDF：FDFDocument。下面的代碼片斷示範了如何從上面的I-9表單匯出FDF資料：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或其他視覺化檢視建立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式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）返回給使用者　　 工具　　除了上文介紹的API之外，PDFBox還提供一系列命令列工具。表2列出了這些工具類並作簡短介紹。 　　 備忘　　PDF規範共有1172頁之多，其實現的確是一浩大工程。同樣，PDFBox發布版中說它“進行中中”，新的功能會慢慢地添加上去。它的主要弱點是從零開始建立PDF文檔。然而，有一些源碼開放的Java項目可用於填補這個缺口。例如，Apache FOP項目支援從特殊的XML文檔產生PDF，這個XML文檔描述了要產生的PDF文檔。此外，iText提供一個高層API用於建立表格和列表。　　PDFBox的下一個版本將支援新的PDF 1.5 物件流程和交叉引用流。然後將提供內嵌字型和映像的支援。在PDFBox的努力下，Java應用程式中的PDF技術有望得到充分的支援。