工作中經常會遇到一些pdf文件處理的問題，一千種pdf有一千種處理方式，每次都是絞盡腦汁和這些pdf戰斗到底。
本人又是一個gopher，所以這篇文章會以一個goper的視角，列舉一下我所經歷過的每一種pdf處理場景，比如:
pdf渲染
pdf校驗
pdf加水印
pdf獲取頁數
pdf合并
pdf拆分
修復受損pdf
pdf轉png
識別pdf中的字體
pdf解密
...
本文大多是場景問題的羅列，可以根據標題摘取自己有興趣的部分查看
很多pdf的問題我也不是特別專業，如果問題或者疑問歡迎與我交流
一、HTML頁面渲染PDF
根據html頁面渲染pdf，我使用過以下兩種方案:
1. 使用wkhtmltopdf渲染pdf
wkhtmltopdf是一個命令行工具,用于將HTML頁面渲染為PDF，基于Qt WebKit渲染引擎實現
使用方式比較簡單：
## 將一個靜態html頁面打印成pdf
$ wkhtmltopdf input.html output.pdf
## 將一個網頁打印成pdf
$ wkhtmltopdf https://www.google.com output.pdf
wkhtmltopdf的參數很豐富,比如:
支持發送 http post請求，適合將自定義開發的網頁渲染成pdf文件:
$ wkhtmltopdf --help
...
--post name> value> Add an additional post field (repeatable)
...
支持javascript腳本，在渲染pdf前對html進行修改:
$ wkhtmltopdf --run-script "javascript:(function(){document.getElementsByClassName('dom_class_name')[0].style.display = 'none'}())" page input.html output.pdf
更多詳細參數可看官網文檔
如果你使用Go語言，還有一個第三方包，是對wkhtmltopdf的使用封裝:go-wkhtmltopdf
2. 使用chromedp渲染pdf
chromedp是一種在Go語言中以更快，更簡單的方式來驅動支持Chrome DevTools協議的瀏覽器的軟件包，而無需外部依賴((例如Selenium或PhantomJS).
使用方式:
package main
import (
"context"
"io/ioutil"
"github.com/chromedp/cdproto/page"
"github.com/chromedp/chromedp"
"errors"
)
func main(){
err := ChromedpPrintPdf("https://www.google.com", "/path/to/file.pdf")
if err != nil {
fmt.Println(err)
return
}
}
func ChromedpPrintPdf(url string, to string) error {
ctx, cancel := chromedp.NewContext(context.Background())
defer cancel()
var buf []byte
err := chromedp.Run(ctx, chromedp.Tasks{
chromedp.Navigate(url),
chromedp.WaitReady("body"),
chromedp.ActionFunc(func(ctx context.Context) error {
var err error
buf, _, err = page.PrintToPDF().
Do(ctx)
return err
}),
})
if err != nil {
return fmt.Errorf("chromedp Run failed,err:%+v", err)
}
if err := ioutil.WriteFile(to, buf, 0644); err != nil {
return fmt.Errorf("write to file failed,err:%+v", err)
}
return nil
}
二、PDF加水印
我了解到的支持pdf加水印的工具有:
1.unidoc/unipdf
unidoc平臺開發的unipdf是一款用Go語言編寫的PDF庫,提供API和CLI使用模式,支持以下功能:
$ unipdf -h
...
Available Commands:
decrypt Decrypt PDF files
encrypt Encrypt PDF files
explode Explodes the input file into separate single page PDF files
extract Extract PDF resources
form PDF form operations
grayscale Convert PDF to grayscale
help Help about any command
info Output PDF information
merge Merge PDF files
optimize Optimize PDF files
passwd Change PDF passwords
rotate Rotate PDF file pages
search Search text in PDF files
split Split PDF files
version Output version information and exit
watermark Add watermark to PDF files
...
CLI模式添加水印
$ unipdf watermark in.pdf watermark.png -o out.pdf
Watermark successfully applied to in.pdf
Output file saved to out.pdf
使用API添加水印,可以直接參考unipdf github example
注意:unidoc的產品需要付費購買license使用
2.pdfcpu
pdfcpu 是一個用Go語言編寫的PDF處理庫，提供API和CLI模式使用
支持以下功能:
$ pdfcpu help
...
The commands are:
attachments list, add, remove, extract embedded file attachments
changeopw change owner password
changeupw change user password
decrypt remove password protection
encrypt set password protection
extract extract images, fonts, content, pages, metadata
fonts install, list supported fonts
grid rearrange pages or images for enhanced browsing experience
import import/convert images to PDF
info print file info
merge concatenate 2 or more PDFs
nup rearrange pages or images for reduced number of pages
optimize optimize PDF by getting rid of redundant page resources
pages insert, remove selected pages
paper print list of supported paper sizes
permissions list, set user access permissions
rotate rotate pages
split split multi-page PDF into several PDFs according to split span
stamp add, remove, update text, image or PDF stamps for selected pages
trim create trimmed version of selected pages
validate validate PDF against PDF 32000-1:2008 (PDF 1.7)
version print version
watermark add, remove, update text, image or PDF watermarks for selected pages
...
使用CLI工具以圖片形式添加水印:
$ pdfcpu watermark add -mode image 'voucher_watermark.png' 's:1 abs, rot:0' in.pdf out.pdf
調用api添加水印
package main
import (
"github.com/pdfcpu/pdfcpu/pkg/api"
"github.com/pdfcpu/pdfcpu/pkg/pdfcpu"
)
func main() {
onTop := false
wm, _ := pdfcpu.ParseImageWatermarkDetails("watermark.png", "s:1 abs, rot:0", onTop)
api.AddWatermarksFile("in.pdf", "out.pdf", nil, wm, nil)
}
三、PDF合并
1.使用cpdf合并pdf
cpdf是一個開源免費的PDF命令行工具庫，有豐富的功能，比如:
- Merge PDF files together, or split them apart
- Encrypt and decrypt
- Scale, crop and rotate pages
- Read and set document info and metadata
- Copy, add or remove bookmarks
- Stamp logos, text, dates, page numbers
- Add or remove attachments
- Losslessly compress PDF files
合并pdf:
$ cpdf -merge input1.pdf input2.pdf -o output.pdf
2.使用unipdf合并pdf
$ unipdf merge output.pdf input1.pdf input2.pdf
使用API合并pdf，參考unpdf github example
3.使用pdfcpu合并pdf
$ pdfcpu merge output.pdf input1.pdf input2.pdf
注意: pdfcpu只支持版本低于PDF V1.7的pdf文件
四、拆分PDF
1.使用cpdf拆分pdf
## 逐頁拆分成單個pdf
$ cpdf -split in.pdf 1 even -chunk 1 -o ./out%%%.pdf
2. 使用unipdf拆分pdf
## 將第一頁拆分出來
$ unipdf split input.pdf out.pdf 1-1
使用api拆分pdf，參考unipdf github examples
3.使用pdfcpu拆分pdf
五、PDF轉圖片
1. 使用mupdf操作pdf轉圖片
MuPDF is a lightweight PDF, XPS, and E-book viewer.
MuPDF consists of a software library, command line tools, and viewers for various platforms.
下載mupdf后得到一些工具,比如:
mupdf
pdfdraw
pdfinfo
pdfclean
pdfextract
pdfshow
xpsdraw
其中pdfdraw可用來轉換圖片
$ pdfdraw -o out%d.png in.pdf
注意: mupdf不支持mac OS
2. 使用xpdf操作pdf轉圖片
xpdf是一個免費的PDF工具包，包括文字解析,圖片轉換,html轉換等
下載該軟件包后，可以得到一系列的工具:
pdfdetach
pdffonts
pdfimages
pdfinfo
pdftohtml
pdftopng
pdftoppm
pdftops
pdftotext
從名稱上看，大致能看出來每一個工具的用處
## 使用pdftopng將pdf轉換成png
$ pdftopng in.pdf out-prefix
六、PDF解密
經常會遇到一種場景，讀取pdf文件的時候發現會報錯:文件被加密
但是在沒有密碼的情況下怎么解決呢?
使用qpdf進行強制解密，有些情況是可以解密成功的，但是有些情況也不一定能解密成功
qpdf是一個支持命令行的pdf工具
$ qpdf --decrypt in.pdf out.pdf
使用pdfcpu解密
$ pdfcpu decrypt encrypted.pdf output.pdf
當有密碼的情況下，可以使用密碼解密:
使用unipdf解密pdf
$ unipdf decrypt -p pass -o output.pdf input.pdf
七、PDF識別
經常會遇到一些場景，比如識別一個文件是不是pdf文件，識別pdf中的文字，識別pdf中的圖片等
1.識別pdf中的文字
這里使用xpdf將pdf中的文字解析出來，然后再使用一些字符串操作或者正則表達式進行業務分析
使用xpdf/pdftotext解析pdf中的文本
$ pdftotext input.pdf output.txt
使用unipdf解析pdf中的文本
$ unipdf extract text input.pdf
使用API解析pdf文本，參考unipdf github examples
使用坐標信息解析pdf數據
上面都是先解析出pdf的文本，再根據業務進行處理
還有一種方式是按照坐標位置解析pdf，這種方式更加靈活以及通用，利用的是pdflib/tet
## 輸入一組坐標，即可按照坐標解析pdf中的數據
$ tet --pageopt "includebox={{38 707.93 243.91 716.93}}" input.pdf
坐標可以使用tet對pdf進行分析得到一個tetml文件，里面包含了坐標信息:
當然也可以用一些其他的方式獲取pdf中數據的坐標信息，比如nodejs等
注意: pdflib/tet是收費軟件，但是根據官方文檔說明,tet提供基礎功能，處理不超過10頁或者小于1M的pdf文件是不需要購買license的
pdflib/tet提供了命令行工具以及多種語言的sdk支持，比如C/C++/Java/.NET/Perl/PHP/Python/Ruby/Swift 但目前還不支持Go語言，所以對于gopher而言目前只有兩種選擇:CLI OR CGO
八、修復受損PDF文件
有一些pdf文件在電腦上打開時，顯示正常，但是用代碼檢測卻是不正常的,比如在Go中嘗試用一個第三方庫去解析一個(受損的)pdf:
import (
"fmt"
"github.com/rsc.io/pdf"
)
func main() {
filePath := "path/to/your/broken.pdf"
_, err := pdf.Open(filePath)
if err != nil {
fmt.Println("open pdf failed,err:", err.Error())
return
}
}
運行后會得到這樣一個結果:
open pdf failed,err: malformed PDF: cross-reference table not found: {5 0 obj}/Contents 6 0 R /Group /CS /DeviceRGB /S /Transparency /Type /Group>> /MediaBox [0 0 595.27600098 841.89001465] /Parent 3 0 R /Type /Page>>
電腦打開正常，程序卻讀取錯誤!
這時候如果嘗試在電腦上打開pdf，然后另存為一個新的pdf文件，再用代碼去檢測，會發現竟然修復了！
太好了，問題解決！
等等，如果我有1000張pdf文件，難道要逐個打開并另存為？這怎么能忍? 所以如果有一種批量修復的功能就好了
在網上找了很久，大概得到三種解決方案:
- 利用 Acrobat SDK,調用SDK中的另存為功能，可以實現電腦打開另存為的效果
- 利用ghostscript進行pdf修復
- 利用mupdf進行pdf修復
這里我只驗證了第三種方式是可行的,這里我使用mupdf-0.9-linux-amd64這個版本進行驗證
下載軟件包后,得到其中一個可執行文件:pdfclean
$ pdfclean broken.pdf repaired.pdf
+ pdf/pdf_xref.c:160: pdf_read_trailer(): cannot recognize xref format: '%'
| pdf/pdf_xref.c:481: pdf_load_xref(): cannot read trailer
\ pdf/pdf_xref.c:537: pdf_open_xref_with_stream(): trying to repair
從輸出結果來看，mupdf嘗試了修復處理
得到新的pdf文件之后，再用前面的Go代碼嘗試打開，就正常了
剩下的就是寫一個bash腳本，批量修復，目標達成！
九、識別一個PDF文件的字體信息
有時候要使多個pdf文本字體保持一致，免不得要去分析pdf中都使用了哪些字體，這時候可以使用xpdf/pdffonts進行字體分析
$ pdffonts input.pdf
name type encoding emb sub uni object ID
------------------------------------ ----------------- ---------------- --- --- --- ---------
NimbusSanL-Regu CID TrueType Identity-H yes no yes 10 0
NimbusSanL-Bold CID TrueType Identity-H yes no yes 20 0
其他Libiray介紹:
PDF-Writer
這是一個C++的開源庫，支持創建pdf，合并pdf，圖片水印文字操作等
對于gopher來講，要使用這個庫，需要封裝一層CGO代碼才可以
rsc/pdf
這是一個Go語言實現的pdf庫，可以用于讀取pdf信息，比如讀取pdf內容/頁數/字體等... 具體可以參考文檔
介紹了這么多第三方庫，簡直就是五花八門，各顯神通。有些功能在大多數庫中都是有重復的，具體使用中會遇到什么問題，還是要看實際情況如何。
希望這些總結能夠對讀者有所幫助
參考:
wkhtmltopdf
xpdf
cpdf
qpdf
unidoc
pdflib/tet
pdfwriter
mupdf
pdfcpu
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。
您可能感興趣的文章:- Django生成PDF文檔顯示網頁上以及PDF中文顯示亂碼的解決方法
- Django生成PDF文檔顯示在網頁上以及解決PDF中文顯示亂碼的問題
- 淺談python實現Google翻譯PDF,解決換行的問題
- 利用Python的Django框架生成PDF文件的教程
