PDF和Java技术(PDFBox)2008-07-1708:29:44|分类：java(B/S)|字号订阅原文标题：MakingPDFsPortable:IntegratingPDFandJavaTechnology原文日期：2005年3月24日原文作者：BenLitchfield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JakartaLucene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。PDFBoxAPIPDFBox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：1.2.PDDocumentdocument=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（aninformationretrievalage），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：1.2.3./Helv12Tf013.0847Td(HelloWorld)Tj上面的指令将字体设为12号的Helvetica，移到下一行然后打印“HelloWorld”。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ApacheJakarta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，MicrosoftWord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Luce