PDFBOX详解
PDFBOX详解
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
demo
1、创建PDF文件
1 public void createHelloPDF() {
2 PDDocument doc = null;
3 PDPage page = null;
4
5 try {
6 doc = new PDDocument();
7 page = new PDPage();
8 doc.addPage(page);
9 PDFont font = PDType1Font.HELVETICA_BOLD;
10 PDPageContentStream content = new PDPageContentStream(doc, page);
11 content.beginText();
12 content.setFont(font, 12);
13 content.moveTextPositionByAmount(100, 700);
14 content.drawString("hello");
15
16 content.endText();
17 content.close();
18 doc.save("F:\\java56班\\eclipse-SDK-4.2-win32\\pdfwithText.pdf");
19 doc.close();
20 } catch (Exception e) {
21 System.out.println(e);
22 }
23 }
2、读取PDF文件：
1 public void readPDF() {
2 PDDocument helloDocument = null;
3 try {
4 helloDocument = PDDocument.load(new File(
5 "F:\\java56班\\eclipse-SDK-4.2-win32\\pdfwithText.pdf"));
6 PDFTextStripper textStripper = new PDFTextStripper("GBK");
7 System.out.println(textStripper.getText(helloDocument));
8
9 helloDocument.close();
10 } catch (IOException e) {
11 // TODO Auto-generated catch block
12 e.printStackTrace();
13 }
14 }
3、修改PDF文件（处理中文乱码，我可以搞定的）：
1 /**
2 * Locate a string in a PDF and replace it with a new string.
3 *
4 * @param inputFile The PDF to open.
5 * @param outputFile The PDF to write to.
6 * @param strToFind The string to find in the PDF document.
7 * @param message The message to write in the file.
8 *
9 * @throws IOException If there is an error writing the data.
10 * @throws COSVisitorException If there is an error writing the PDF.
11 */
12 public void doIt( String inputFile, String outputFile, String strToFind, String message)
13 throws IOException, COSVisitorException
14 {
15 // the document
16 PDDocument doc = null;
17 try
18 {
19 doc = PDDocument.load( inputFile );
20 // PDFTextStripper stripper=new PDFTextStripper("ISO-8859-1");
21 List pages = doc.getDocumentCatalog().getAllPages();
22 for( int i=0; i<pages.size(); i++ )
23 {
24 PDPage page = (PDPage)pages.get( i );
25 PDStream contents = page.getContents();
26 PDFStreamParser parser = new PDFStreamParser(contents.getStream() );
27 parser.parse();
28 List tokens = parser.getTokens();
29 for( int j=0; j<tokens.size(); j++ )
30 {
31 Object next = tokens.get( j );
32 if( next instanceof PDFOperator )
33 {
34 PDFOperator op = (PDFOperator)next;
35 //Tj and TJ are the two operators that display
36 //strings in a PDF
37 if( op.getOperation().equals( "Tj" ) )
38 {
39 //Tj takes one operator and that is the string
40 //to display so lets update that operator
41 COSString previous = (COSString)tokens.get( j-1 );
42 String string = previous.getString();
43 string = string.replaceFirst( strToFind, message );
44 System.out.println(string);
45 System.out.println(string.getBytes("GBK"));
46 previous.reset();
47 previous.append( string.getBytes("GBK") );
48 }
49 else if( op.getOperation().equals( "TJ" ) )
50 {
51 COSArray previous = (COSArray)tokens.get( j-1 );
52 for( int k=0; k<previous.size(); k++ )
53 {
54 Object arrElement = previous.getObject( k );
55 if( arrElement instanceof COSString )
56 {
57 COSString cosString = (COSString)arrElement;
58 String string = cosString.getString();
59 string = string.replaceFirst( strToFind, message );
60 cosString.reset();
61 cosString.append( string.getBytes("GBK") );
62 }
63 }
64 }
65 }
66 }
67 //now that the tokens are updated we will replace the
68 //page content stream.
69 PDStream updatedStream = new PDStream(doc);
70 OutputStream out = updatedStream.createOutputStream();
71 ContentStreamWriter tokenWriter = new ContentStreamWriter(out);
72 tokenWriter.writeTokens( tokens );
73 page.setContents( updatedStream );
74 }
75 doc.save( outputFile );
76 }
77 finally
78 {
79 if( doc != null )
80 {
81 doc.close();
82 }
83 }
84 }
4、在PDF中加入图片：
1 /**
2 * Add an image to an existing PDF document.
3 *
4 * @param inputFile The input PDF to add the image to.
5 * @param image The filename of the image to put in the PDF.
6 * @param outputFile The file to write to the pdf to.
7 *
8 * @throws IOException If there is an error writing the data.
9 * @throws COSVisitorException If there is an error writing the PDF.
10 */
11 public void createPDFFromImage( String inputFile, String image, String outputFile )
12 throws IOException, COSVisitorException
13 {
14 // the document
15 PDDocument doc = null;
16 try
17 {
18 doc = PDDocument.load( inputFile );
19
20 //we will add the image to the first page.
21 PDPage page = (PDPage)doc.getDocumentCatalog().getAllPages().get( 0 );
22
23 PDXObjectImage ximage = null;
24 if( image.toLowerCase().endsWith( ".jpg" ) )
25 {
26 ximage = new PDJpeg(doc, new FileInputStream( image ) );
27 }
28 else if (image.toLowerCase().endsWith(".tif") || image.toLowerCase().endsWith(".tiff"))
29 {
30 ximage = new PDCcitt(doc, new RandomAccessFile(new File(image),"r"));
31 }
32 else
33 {
34 BufferedImage awtImage = ImageIO.read( new File( image ) );
35 ximage = new PDPixelMap(doc, awtImage);
36 }
37 PDPageContentStream contentStream = new PDPageContentStream(doc, page, true, true);
38
39 //contentStream.drawImage(ximage, 20, 20 );
40 // better method inspired by http://stackoverflow.com/a/22318681/535646
41 float scale = 0.5f; // reduce this value if the image is too large
42 System.out.println(ximage.getHeight());
43 System.out.println(ximage.getWidth());
44 // ximage.setHeight(ximage.getHeight()/5);
45 // ximage.setWidth(ximage.getWidth()/5);
46 contentStream.drawXObject(ximage, 20, 200, ximage.getWidth()*scale, ximage.getHeight()*scale);
47
48 contentStream.close();
49 doc.save( outputFile );
50 }
51 finally
52 {
53 if( doc != null )
54 {
55 doc.close();
56 }
57 }
58 }
5、PDF文件转换为图片：
1 public void toImage() {
2 try {
3 PDDocument doc = PDDocument
4 .load("F:\\java56班\\eclipse-SDK-4.2-win32\\pdfwithText.pdf");
5 int pageCount = doc.getPageCount();
6 System.out.println(pageCount);
7 List pages = doc.getDocumentCatalog().getAllPages();
8 for (int i = 0; i < pages.size(); i++) {
9 PDPage page = (PDPage) pages.get(i);
10 BufferedImage image = page.convertToImage();
11 Iterator iter = ImageIO.getImageWritersBySuffix("jpg");
12 ImageWriter writer = (ImageWriter) iter.next();
13 File outFile = new File("F:\\java56班\\eclipse-SDK-4.2-win32\\"
14 + i + ".jpg");
15 FileOutputStream out = new FileOutputStream(outFile);
16 ImageOutputStream outImage = ImageIO
17 .createImageOutputStream(out);
18 writer.setOutput(outImage);
19 writer.write(new IIOImage(image, null, null));
20 }
21 doc.close();
22 System.out.println("over");
23 } catch (FileNotFoundException e) {
24 // TODO Auto-generated catch block
25 e.printStackTrace();
26 } catch (IOException e) {
27 // TODO Auto-generated catch block
28 e.printStackTrace();
29 }
30 }
6、图片转换为PDF文件（支持多张图片转换为PDF文件）：
1 /**
2 * create the second sample document from the PDF file format specification.
3 *
4 * @param file
5 * The file to write the PDF to.
6 * @param image
7 * The filename of the image to put in the PDF.
8 *
9 * @throws IOException
10 * If there is an error writing the data.
11 * @throws COSVisitorException
12 * If there is an error writing the PDF.
13 */
14 public void createPDFFromImage(String file, String image)throws IOException, COSVisitorException {
15 // 多张图片转换为PDF文件
16 PDDocument doc = null;
17 doc = new PDDocument();
18 PDPage page = null;
19 PDXObjectImage ximage = null;
20 PDPageContentStream contentStream = null;
21
22 File files = new File(image);
23 String[] a = files.list();
24 for (String string : a) {
25 if (string.toLowerCase().endsWith(".jpg")) {
26 String temp = image + "\\" + string;
27 ximage = new PDJpeg(doc, new FileInputStream(temp));
28 page = new PDPage();
29 doc.addPage(page);
30 contentStream = new PDPageContentStream(doc, page);
31 float scale = 0.5f;
32 contentStream.drawXObject(ximage, 20, 400, ximage.getWidth()
33 * scale, ximage.getHeight() * scale);
34
35 PDFont font = PDType1Font.HELVETICA_BOLD;
36 contentStream.beginText();
37 contentStream.setFont(font, 12);
38 contentStream.moveTextPositionByAmount(100, 700);
39 contentStream.drawString("Hello");
40 contentStream.endText();
41
42 contentStream.close();
43 }
44 }
45 doc.save(file);
46 doc.close();
47 }
7、替换PDF文件中的某个字符串：
1 /**
2 * Locate a string in a PDF and replace it with a new string.
3 *
4 * @param inputFile The PDF to open.
5 * @param outputFile The PDF to write to.
6 * @param strToFind The string to find in the PDF document.
7 * @param message The message to write in the file.
8 *
9 * @throws IOException If there is an error writing the data.
10 * @throws COSVisitorException If there is an error writing the PDF.
11 */
12 public void doIt( String inputFile, String outputFile, String strToFind, String message)
13 throws IOException, COSVisitorException
14 {
15 // the document
16 PDDocument doc = null;
17 try
18 {
19 doc = PDDocument.load( inputFile );
20 // PDFTextStripper stripper=new PDFTextStripper("ISO-8859-1");
21 List pages = doc.getDocumentCatalog().getAllPages();
22 for( int i=0; i<pages.size(); i++ )
23 {
24 PDPage page = (PDPage)pages.get( i );
25 PDStream contents = page.getContents();
26 PDFStreamParser parser = new PDFStreamParser(contents.getStream() );
27 parser.parse();
28 List tokens = parser.getTokens();
29 for( int j=0; j<tokens.size(); j++ )
30 {
31 Object next = tokens.get( j );
32 if( next instanceof PDFOperator )
33 {
34 PDFOperator op = (PDFOperator)next;
35 //Tj and TJ are the two operators that display
36 //strings in a PDF
37 if( op.getOperation().equals( "Tj" ) )
38 {
39 //Tj takes one operator and that is the string
40 //to display so lets update that operator
41 COSString previous = (COSString)tokens.get( j-1 );
42 String string = previous.getString();
43 string = string.replaceFirst( strToFind, message );
44 System.out.println(string);
45 System.out.println(string.getBytes("GBK"));
46 previous.reset();
47 previous.append( string.getBytes("GBK") );
48 }
49 else if( op.getOperation().equals( "TJ" ) )
50 {
51 COSArray previous = (COSArray)tokens.get( j-1 );
52 for( int k=0; k<previous.size(); k++ )
53 {
54 Object arrElement = previous.getObject( k );
55 if( arrElement instanceof COSString )
56 {
57 COSString cosString = (COSString)arrElement;
58 String string = cosString.getString();
59 string = string.replaceFirst( strToFind, message );
60 cosString.reset();
61 cosString.append( string.getBytes("GBK") );
62 }
63 }
64 }
65 }
66 }
67 //now that the tokens are updated we will replace the
68 //page content stream.
69 PDStream updatedStream = new PDStream(doc);
70 OutputStream out = updatedStream.createOutputStream();
71 ContentStreamWriter tokenWriter = new ContentStreamWriter(out);
72 tokenWriter.writeTokens( tokens );
73 page.setContents( updatedStream );
74 }
75 doc.save( outputFile );
76 }
77 finally
78 {
79 if( doc != null )
80 {
81 doc.close();
82 }
83 }
84 }
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/
