- 浏览: 447196 次
- 性别:
- 来自: 上海
文章分类
最新评论
-
Luob.:
楼主 你这个问题怎么搞定的
奇异的 Spring WebApplicationContext 自动关闭 -
u013202238:
...
PDF和Java技术(PDFBox) -
u013202238:
...
PDF和Java技术(PDFBox) -
yuan1225:
您好请问 Discuz论坛的系统设置在哪里,登陆后台后没有 ...
Discuz!论坛通行证与JSP网站的整合 -
美妙人生:
,好,太好了,只是还是不太理解!
Discuz!论坛通行证与JSP网站的整合
原文标题: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。这是个奇怪的现象,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技术特别适合这种应用。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文档而准备的纯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特殊属性的字典对象;PDF参考手册提供这些特殊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。
注意,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。
注意: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关键的。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提供一个特殊的整合对象,这让在Lucene索引中包含PDF文档变得非常容易。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关键词等元数据,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,或继承该类来满足这种复杂的需求。
通过继承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。常常有这种情况: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兴趣的文本,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的一个流行特性是允许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。如果设定了用户密码,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规范允许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,有兴趣的读者可以参考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");
更详细的示例参见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,容易出错,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 Format)。这种文件有两类:FDF和XFDF。FDF文件存放表单数据的格式与PDF相同,而XFDF则以XML格式存放表单数据。PDFBox在一个类中处理FDF和XFDF:FDFDocument。下面的代码片断演示了如何从上面的I-9表单导出FDF数据:
- PDDocument pdf =
- PDDocument.load( "i-9.pdf" );
- PDDocumentCatalog docCatalog =
- pdf.getDocumentCatalog();
- PDAcroForm acroForm =
- docCatalog.getAcroForm();
- FDFDocument fdf = acroForm.exportFDF();
- fdf.save( "exportedData.fdf" );
PDFBox表单整合步骤:
- 使用Acrobat或其他可视化工具创建PDF表单模版
- 记下每个需要的(desirable)表单域的名称
- 将模版存放在应用程序可以访问到的地方
- 当PDF被请求时,使用PDFBox解析PDF模版
- 填充指定的表单域
- 将填充结果(PDF)返回给用户
工具
除了上文介绍的API之外,PDFBox还提供一系列命令行工具。表2列出了这些工具类并作简短介绍。
备注
PDF规范共有1172页之多,其实现的确是一浩大工程。同样,PDFBox发布版中说它“正在进行中”,新的功能会慢慢地添加上去。它的主要弱点是从零开始创建PDF文档。然而,有一些源码开放的Java项目可用于填补这个缺口。例如,Apache FOP项目支持从特殊的XML文档生成PDF,这个XML文档描述了要生成的PDF文档。此外,iText提供一个高层API用于创建表格和列表。
PDFBox的下一个版本将支持新的PDF 1.5 对象流和交叉引用流。然后将提供内嵌字体和图像的支持。在PDFBox的努力下,Java应用程序中的PDF技术有望得到充分的支持。
参考资源
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/
关于作者
Ben Litchfield是一位拥有LPA Systems开发和整合经验的商业系统顾问。在过去的两年中,他领导着PDFBox开发组。Ben拥有Rochester技术研究院的软件工程方面的学士学位。在过去的5年中,他一直在提供企业应用程序的解决方案。(更多)
(译注:原文中没有下图的说明,但给出其链接)
发表评论
-
jquery 操作checkbox的例子(全选,反选,获取选取值)
2009-05-21 17:17 5288jquery 操作checkbox的例子(全选,反选,获取选取 ... -
struts2 捕获404错误
2008-11-28 22:04 5241当访问一个不存在页面时,一般显示404错误,这是一个很不友好的 ... -
mysql alter 语句用法,添加、修改、删除字段等
2008-11-06 12:15 1611mysql alter 语句用法,添加、修改、删除字段等 / ... -
mysql数据库自动定期备份的脚本
2008-07-30 15:51 2094说明: 保留每天备份的数据是件不太现实的事,做好的做 ... -
CVS的日常使用
2008-07-22 16:50 1486一个项目的首次导入 cvs ... -
Advanced SiteMesh
2008-07-14 11:40 1180假设你打算结合多种技 ... -
Discuz! 数据库结构参考(下)
2008-06-30 09:40 3148Discuz! 数据库结构参考 ... -
Discuz! 数据库结构参考(上)
2008-06-30 09:39 2047Discuz! 数据库结构参考(上) cdb_access-- ... -
mysql 外鍵約束
2008-06-24 10:43 37211. 什么是参照完整性? ... -
mysql4.1以上版本连接时出现Client does not support authentic
2008-06-18 14:05 1271mysql4.1以上版本连接时出现Client does no ... -
Linux下两个不同版本Mysql的安装实战
2008-06-17 12:42 2818http://www.iteye.com/topic/2039 ... -
查看文本文件的编码格式
2008-06-13 17:16 3838Ubuntu enca命令可以用来查看文件的编码格式 安装 ... -
redhat9上用rpm包方式升级gcc3.2到gcc3.4
2008-06-11 09:50 4334刚刚安了个redhat9,发现gcc是3.2版本的,看到有文章 ... -
PHP+apache+mysql编程中乱码问题的解决
2008-06-10 17:20 2250作者: 乐道 2007-11 ... -
修改firefox 3的语言界面
2008-05-14 10:20 4767进入http://releases.mozilla.org/p ... -
Apache虚拟主机设置
2008-04-16 16:50 1884简介:这里说的虚拟主 ... -
Discuz!论坛通行证与JSP网站的整合
2008-04-11 16:43 5813最近做有关JSP与DISCUZ整合,搞了好久,还是搞不定,后来 ... -
Discuz 通行证的制作方法和详细说明
2008-04-09 17:42 2338通行证是个大题目,说白了也就是如何维护客户的会话,在php中所 ... -
使用Lucene2.3构建搜索引擎
2008-04-03 20:06 2621Lucene不是一个完整的全文索引应用,而是是一个用Java写 ... -
JTidy 协助抽取网页内容
2008-03-26 12:18 2701使用 JTidy 协助抽取网页内容Tidy 是 W3C 用来解 ...
相关推荐
PDFBox是由Apache软件基金会开发的Java库,其主要功能包括PDF文档的解析、生成、修改和显示。在PDFBox 2.0.8版本中,包含了对PDF文档处理的多种优化和增强,使得开发者能够更高效地处理PDF任务。 要使用PDFBox打印...
Apache PDFBox是一个开源Java库,支持PDF文档的开发和转换。 我们可以使用PDFBox开发可以创建,转换和操作PDF文档的Java程序。PDFBox的主要功能: Extract Text – 使用PDFBox,您可以从PDF文件中提取Unicode文本。 ...
Java作为一款跨平台的编程语言,提供了多种库来处理PDF文档,其中之一就是PDFBox。本文将深入探讨如何使用PDFBox库在Java中解析PDF并读取其内容。 PDFBox是Apache软件基金会的一个开源项目,它为Java开发者提供了一...
基于JAVA的PDFBOX实现文件切分切割,里面有所用JAR包,commons-logging-1.2.jar,commons-logging-1.2-javadoc.jar,jbig2-imageio-3.0.4.jar,pdfbox-2.0.26.jar,另外附有以实现的JAVA代码,下载即可用
在处理各种文档格式时,如PPT(PowerPoint)和PDF(Portable Document Format),Java提供了强大的库,如Apache POI和PDFBox。这两个库分别用于处理Microsoft Office文档和PDF文件。 Apache POI是Java中的一个开源...
本资源包含PDFBox的Java解析PDF文档所需的jar包,源代码,帮助文档以及示例(example),对于学习和使用PDFBox进行PDF操作具有极大的帮助。 首先,让我们深入了解一下PDFBox的主要功能: 1. **读取PDF文档**:...
2、执行以下命令来运行生成的类文件,并提供PDF文件的路径和输出文件夹的路径作为命令行参数: java PDFToImageConverter path_to_pdf_file.pdf path_to_output_folder 请将path_to_pdf_file.pdf替换为您要转换的PDF...
PDFBox是Apache软件基金会开发的一个开源Java库,用于处理PDF(Portable Document Format)文档。它提供了丰富的API,允许开发者在应用程序中创建、编辑、读取和转换PDF文档。在这个特定的场景中,我们关注的是使用...
PDFBox是一个开源的可以操作PDF文档的Java PDF类库。它可以创建一个新PDF文档,操作现有PDF文档并提取文档中的内容。 它具有以下特性: 1.将一个PDF文档转换输出为一个文本文件。 2.可以从文本文件创建一个PDF文档。 ...
总的来说,通过Java进行多页TIFF到PDF的转换是一项技术性较强的任务,需要熟悉Java编程、图像处理和PDF文档操作。通过合理利用开源库和编写测试用例,可以有效地实现这一功能,满足企业对文档电子化的需要。
总的来说,PDFBox 1.8.9提供的这些功能,对于需要在Java项目中处理PDF和图片的开发者来说,是一个强大的工具。通过理解和应用这些API,开发者可以轻松地实现图片与PDF之间的转换,满足各种需求。
PDFBox提供了一系列API,使得开发者能够在Java应用程序中创建、修改、读取和操作PDF文档。这个库包含了多个关键组件,如PDDocument用于加载和保存PDF文档,PDFWriter和PDFStreamEngine用于创建新的PDF或者编辑现有...
PDFBox是Java平台上的一个开源库,专门用于处理PDF(Portable Document Format)文档。这个框架提供了丰富的API,允许开发者读取、创建、编辑以及提取PDF文档中的文本、图像和其他元素。在本文中,我们将深入探讨...
标题提到的"java 读取word、excel及pdf的jar包(POI,PDFBox)",指的是两个非常重要的库:Apache POI和PDFBox,分别用于处理Microsoft Office文档(如Word、Excel)和PDF文件。 Apache POI是一个流行的开源Java ...
PDFBox是一个由Apache软件基金会提供的开源Java库,它允许开发者对PDF文件进行读取、写入和修改等操作。以下是对PDFBox及其相关功能的详细说明: 1. **PDFBox介绍** PDFBox是一个强大的Java库,它提供了丰富的API...
PDFBox是Apache软件基金会的一个...总之,PDFBox是Java开发中处理PDF文档的强大工具,能够有效地帮助你解析PDF中的图片和文字,以及其他各种PDF元素。通过熟练掌握PDFBox的API,你可以构建出功能丰富的PDF处理应用。
PDFBox是Apache软件基金会开发的一个开源Java库,用于处理PDF(Portable Document Format)文档。它提供了丰富的API,允许开发者在Java应用程序中进行PDF文档的创建、读取、修改、渲染和签名等操作。在这个场景中,...
Java中的PDFBox库是一个强大的工具,专门用于处理PDF文档,包括将PDF转换为图像。在这个特定的压缩包文件中,"PDF2img"是一个基于PDFBox开发的DEMO,它设计用于解决PDF转图片时可能出现的中文乱码问题。 PDFBox是...
java使用PDFbox对pdf文档操作的jar包(PDFbox.jar、fontbox.jar)版本1.7.1
java用pdfbox转pdf为图片文件时,如果pdf有中文,则会出现乱码(windows下正常,linux下乱码),改用icepdf后问题解决,而且能够轻松设置欲转换成图片的格式和大小.icepdf对中文支付非常强大,以下是实例代码,可以...