国产一级a片免费看高清,亚洲熟女中文字幕在线视频,黄三级高清在线播放,免费黄色视频在线看

自從Adobe公司1993年第一次發(fā)布公共PDF參考以來，支持各種語言和平臺的PDF工具和類庫就如雨后春筍般涌現(xiàn)。然而，Java應(yīng)用開發(fā)中Adobe技術(shù)的支持相對滯后了。這是個奇怪的現(xiàn)象，因為PDF文檔是企業(yè)信息系統(tǒng)存儲和交換信息的大勢所趨，而Java技術(shù)特別適合這種應(yīng)用。然而，Java開發(fā)人員似乎直到最近才獲得成熟可用的PDF支持。

　　PDFBox（一個BSD許可下的源碼開放項目）是一個為開發(fā)人員讀取和創(chuàng)建PDF文檔而準(zhǔn)備的純Java類庫。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過程十分簡單。
  
• 加密/解密PDF文檔。
• 從PDF和XFDF格式中導(dǎo)入或?qū)С霰韱螖?shù)據(jù)。
  
• 向已有PDF文檔中追加內(nèi)容。
• 將一個PDF文檔切分為多個文檔。
  
• 覆蓋PDF文檔。

　　

PDFBox API

　　PDFBox設(shè)計時采用面向?qū)ο蟮姆绞絹砻枋鯬DF文檔。PDF文檔的數(shù)據(jù)是一系列基本對象的集合：數(shù)組，布爾型，字典，數(shù)字，字符串和二進(jìn)制流。PDFBox在org.pdfbox.cos包（COS模型）中定義這些基本對象類型。你可以使用這些對象與PDF文檔進(jìn)行任何交互，但你應(yīng)該先對PDF文檔內(nèi)部結(jié)構(gòu)以及高層概念作一些深入的了解。例如，頁面和字體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。

　　于是，org.pdfbox.pdfmodel包（PD模型）應(yīng)運而生，它的基礎(chǔ)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(jìn)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(yōu)秀的功能，但它依然是一個開發(fā)中的模型。在有些實例中，你可能需要借助于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(yīng)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(xiàn)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：



　　上面的語句解析指定的PDF文件并在內(nèi)存中創(chuàng)建其文檔對象?？紤]到處理大文檔時的效率問題，PDFBox只在內(nèi)存中存儲文檔結(jié)構(gòu)，圖像、內(nèi)嵌字體和頁面內(nèi)容等對象將被緩存在一個臨時文件中。

　　注意：PDDocument對象使用完畢時需要調(diào)用其close()方法來釋放創(chuàng)建時使用的資源。

　　

文本提取和Lucene整合

　　這是一個信息展現(xiàn)時代（an information retrieval age），不管信息存放在哪種媒體中，應(yīng)用程序都應(yīng)該支持檢索和索引。對信息進(jìn)行組織和分類從而形成可檢索的格式是很關(guān)鍵的。這對于文本文檔和HTML文檔來說是很簡單的，但PDF文檔包含大量的結(jié)構(gòu)和元信息，提取文檔內(nèi)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矢量繪制在頁面的某些位置。例如：



　　上面的指令將字體設(shè)為12號的Helvetica，移到下一行然后打印“Hello World”。這些命令流通常是經(jīng)過壓縮的，文字在屏幕上的顯示順序并不一定是文件中的字符出現(xiàn)順序。因此，你有時無法直接從原始PDF文檔中提取字符串。然而，PDFBox成熟的文本提取算法使得開發(fā)人員可以提取文檔內(nèi)容，就像在閱讀器中呈現(xiàn)的那樣。

　　Lucene是Apache Jakarta項目的子項目，它是一個流行的源代碼開放的搜索引擎庫。開發(fā)人員可以使用Lucene來創(chuàng)建索引，并基于該索引對大量的文本內(nèi)容進(jìn)行復(fù)雜的檢索。Lucene只支持文本內(nèi)容的檢索，所以開發(fā)人員需要將其他形式的數(shù)據(jù)轉(zhuǎn)換為文本形式才能使用Lucene。例如，Microsoft Word和StarOffice文檔都必須先轉(zhuǎn)換為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(zhuǎn)換為Lucene文檔只需要一條語句：



　　這條語句解析指定的PDF文檔，提取其內(nèi)容并創(chuàng)建一個Lucene文檔對象。然后你就可以將該對象添加到Lucene索引中了。如上文所述，PDF文檔中也包含作者信息和關(guān)鍵詞等元數(shù)據(jù)，在索引PDF文檔時對這些元數(shù)據(jù)進(jìn)行跟蹤時很重要的。表1列出了創(chuàng)建Lucene文檔時PDFBox將填寫（populate）的字段。



　　這種整合使得開發(fā)人員可以輕松地使用Lucene來支持PDF文檔的檢索和索引。當(dāng)然，有些應(yīng)用程序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復(fù)雜的需求。

　　通過繼承PDFTextStripper并覆蓋showCharacter()方法，你可以從許多方面對文本提取進(jìn)行控制。例如，使用x、y位置信息進(jìn)行限制以提取特定文本塊。你可以有效地忽略所有的y坐標(biāo)大于某個值的文本，這樣文檔頭部內(nèi)容就會被排除。

　　另一個例子。常常有這種情況：從表單創(chuàng)建了一組PDF文檔，但這些原始數(shù)據(jù)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，但填充文檔的表單數(shù)據(jù)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信息。這時，你就可以使用PDFTextStripper的派生類來提取期望的字段，這個類就像一種截取屏幕區(qū)域的設(shè)備。

　　

加密/解密

　　PDF的一個流行特性是允許對文檔內(nèi)容進(jìn)行加密、對訪問進(jìn)行控制，限制只能閱讀未加密文檔。PDF文檔加密時采用一個主密碼和一個可選的用戶密碼。如果設(shè)定了用戶密碼，那么PDF閱讀器（如Acrobat）將在顯示文檔之前提示輸入密碼。而主密碼則用于授權(quán)修改文檔內(nèi)容。

　　PDF規(guī)范允許PDF文檔的創(chuàng)建者對用戶使用Acrobat閱讀器查看文檔時的某些操作進(jìn)行限制。這些限制包括：

• 打印
  
• 修改內(nèi)容
  
• 提取內(nèi)容

　　PDF文檔安全的討論不在本文范疇之內(nèi)，有興趣的讀者可以參考PDF規(guī)范的相關(guān)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支持標(biāo)準(zhǔn)的安全處理器，它是大多數(shù)PDF文檔所使用的。

　　加密文檔時必須先指定一個安全處理器，然后使用一個主密碼和用戶密碼進(jìn)行加密。在下面的代碼中，文檔被加密，用戶不需要敲入就可以在Acrobat中打開它（沒有設(shè)置用戶密碼），但是該文檔不可被打印。



　　更詳細(xì)的示例參見PDFBox發(fā)布版中包含的加密工具類源代碼：org.pdfbox.Encrypt。

　　許多應(yīng)用程序可以生成PDF文檔，但不支持控制文檔的安全選項。這時PDFBox就可以用來在發(fā)送給用戶之前截獲并加密PDF文檔。

　　

表單整合

　　當(dāng)應(yīng)用程序的輸出是一系列表單域的值時，提供將表單保存成文件的功能是很必要的。這時PDF技術(shù)將是一個很好的選擇。開發(fā)人員可以手動編寫PDF指令來繪制圖形、表格和文本?；蛘邔?shù)據(jù)存成XML形式并使用XSL-FO模版來創(chuàng)建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。對于簡單的表單而言，一個更好的辦法是創(chuàng)建模版，然后將給定的輸入數(shù)據(jù)填入該模版，從而生成文檔。

　　Employment Eligibility Verification是一個大多數(shù)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(fā)布版中的一個示例程序列出表單域名單：



　　還有一個示例程序用于向指定的域中插入文本形式的數(shù)據(jù)：



　　在Acrobat中打開這個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：



　　下面的代碼可用于提取剛才填寫的表單域的值：



　　Acrobat支持將表單數(shù)據(jù)導(dǎo)入或?qū)С龅揭粋€特定的文件格式“表單數(shù)據(jù)格式”（Forms Data Format）。這種文件有兩類：FDF和XFDF。FDF文件存放表單數(shù)據(jù)的格式與PDF相同，而XFDF則以XML格式存放表單數(shù)據(jù)。PDFBox在一個類中處理FDF和XFDF：FDFDocument。下面的代碼片斷演示了如何從上面的I-9表單導(dǎo)出FDF數(shù)據(jù)：



　　PDFBox表單整合步驟：

1. 使用Acrobat或其他可視化工具創(chuàng)建PDF表單模版
   
2. 記下每個需要的（desirable）表單域的名稱
   
3. 將模版存放在應(yīng)用程序可以訪問到的地方
   
4. 當(dāng)PDF被請求時，使用PDFBox解析PDF模版
   
5. 填充指定的表單域
   
6. 將填充結(jié)果（PDF）返回給用戶

　　

工具

　　除了上文介紹的API之外，PDFBox還提供一系列命令行工具。表2列出了這些工具類并作簡短介紹。

 

　　

備注

　　PDF規(guī)范共有1172頁之多，其實現(xiàn)的確是一浩大工程。同樣，PDFBox發(fā)布版中說它“正在進(jìn)行中”，新的功能會慢慢地添加上去。它的主要弱點是從零開始創(chuàng)建PDF文檔。然而，有一些源碼開放的Java項目可用于填補(bǔ)這個缺口。例如，Apache FOP項目支持從特殊的XML文檔生成PDF，這個XML文檔描述了要生成的PDF文檔。此外，iText提供一個高層API用于創(chuàng)建表格和列表。

　　PDFBox的下一個版本將支持新的PDF 1.5 對象流和交叉引用流。然后將提供內(nèi)嵌字體和圖像的支持。在PDFBox的努力下，Java應(yīng)用程序中的PDF技術(shù)有望得到充分的支持。

　　

參考資源

　　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/

　　

關(guān)于作者

　　Ben Litchfield是一位擁有LPA Systems開發(fā)和整合經(jīng)驗的商業(yè)系統(tǒng)顧問。在過去的兩年中，他領(lǐng)導(dǎo)著PDFBox開發(fā)組。Ben擁有Rochester技術(shù)研究院的軟件工程方面的學(xué)士學(xué)位。在過去的5年中，他一直在提供企業(yè)應(yīng)用程序的解決方案。（更多）

（譯注：原文中沒有下圖的說明，但給出其鏈接）
   

附件：i-9.pdf(245K)