Go处理PDF的实现代码
工作中经常会遇到一些pdf文件处理的问题，一千种pdf有一千种处理方式，每次都是绞尽脑汁和这些pdf战斗到底。
本人又是一个gopher，所以这篇文章会以一个goper的视角，列举一下我所经历过的每一种pdf处理场景，比如:
pdf渲染
pdf校验
pdf加水印
pdf获取页数
pdf合并
pdf拆分
修复受损pdf
pdf转png
识别pdf中的字体
pdf解密
...
本文大多是场景问题的罗列，可以根据标题摘取自己有兴趣的部分查看
很多pdf的问题我也不是特别专业，如果问题或者疑问欢迎与我交流
一、HTML页面渲染PDF
根据html页面渲染pdf，我使用过以下两种方案:
- wkhtmltopdf
- chromedp
1.使用wkhtmltopdf渲染pdf
wkhtmltopdf是一个命令行工具,用于将HTML页面渲染为PDF，基于QtWebKit渲染引擎实现
使用方式比较简单：
##将一个静态html页面打印成pdf $wkhtmltopdfinput.htmloutput.pdf ##将一个网页打印成pdf $wkhtmltopdfhttps://www.google.comoutput.pdf
wkhtmltopdf的参数很丰富,比如:
支持发送httppost请求，适合将自定义开发的网页渲染成pdf文件:
$wkhtmltopdf--help ... --postAddanadditionalpostfield(repeatable) ...
支持javascript脚本，在渲染pdf前对html进行修改:
$wkhtmltopdf--run-script"javascript:(function(){document.getElementsByClassName('dom_class_name')[0].style.display='none'}())"pageinput.htmloutput.pdf
更多详细参数可看官网文档
如果你使用Go语言，还有一个第三方包，是对wkhtmltopdf的使用封装:go-wkhtmltopdf
2.使用chromedp渲染pdf
chromedp是一种在Go语言中以更快，更简单的方式来驱动支持ChromeDevTools协议的浏览器的软件包，而无需外部依赖((例如Selenium或PhantomJS).
使用方式:
packagemain
import(
"context"
"io/ioutil"
"github.com/chromedp/cdproto/page"
"github.com/chromedp/chromedp"
"errors"
)
funcmain(){
err:=ChromedpPrintPdf("https://www.google.com","/path/to/file.pdf")
iferr!=nil{
fmt.Println(err)
return
}
}
funcChromedpPrintPdf(urlstring,tostring)error{
ctx,cancel:=chromedp.NewContext(context.Background())
defercancel()
varbuf[]byte
err:=chromedp.Run(ctx,chromedp.Tasks{
chromedp.Navigate(url),
chromedp.WaitReady("body"),
chromedp.ActionFunc(func(ctxcontext.Context)error{
varerrerror
buf,_,err=page.PrintToPDF().
Do(ctx)
returnerr
}),
})
iferr!=nil{
returnfmt.Errorf("chromedpRunfailed,err:%+v",err)
}
iferr:=ioutil.WriteFile(to,buf,0644);err!=nil{
returnfmt.Errorf("writetofilefailed,err:%+v",err)
}
returnnil
}
二、PDF加水印
我了解到的支持pdf加水印的工具有:
- unidoc/unipdf
- pdfcpu
1.unidoc/unipdf
unidoc平台开发的unipdf是一款用Go语言编写的PDF库,提供API和CLI使用模式,支持以下功能:
$unipdf-h ... AvailableCommands: decryptDecryptPDFfiles encryptEncryptPDFfiles explodeExplodestheinputfileintoseparatesinglepagePDFfiles extractExtractPDFresources formPDFformoperations grayscaleConvertPDFtograyscale helpHelpaboutanycommand infoOutputPDFinformation mergeMergePDFfiles optimizeOptimizePDFfiles passwdChangePDFpasswords rotateRotatePDFfilepages searchSearchtextinPDFfiles splitSplitPDFfiles versionOutputversioninformationandexit watermarkAddwatermarktoPDFfiles ...
CLI模式添加水印
$unipdfwatermarkin.pdfwatermark.png-oout.pdf Watermarksuccessfullyappliedtoin.pdf Outputfilesavedtoout.pdf
使用API添加水印,可以直接参考unipdfgithubexample
注意:unidoc的产品需要付费购买license使用
2.pdfcpu
pdfcpu是一个用Go语言编写的PDF处理库，提供API和CLI模式使用
支持以下功能:
$pdfcpuhelp ... Thecommandsare: attachmentslist,add,remove,extractembeddedfileattachments changeopwchangeownerpassword changeupwchangeuserpassword decryptremovepasswordprotection encryptsetpasswordprotection extractextractimages,fonts,content,pages,metadata fontsinstall,listsupportedfonts gridrearrangepagesorimagesforenhancedbrowsingexperience importimport/convertimagestoPDF infoprintfileinfo mergeconcatenate2ormorePDFs nuprearrangepagesorimagesforreducednumberofpages optimizeoptimizePDFbygettingridofredundantpageresources pagesinsert,removeselectedpages paperprintlistofsupportedpapersizes permissionslist,setuseraccesspermissions rotaterotatepages splitsplitmulti-pagePDFintoseveralPDFsaccordingtosplitspan stampadd,remove,updatetext,imageorPDFstampsforselectedpages trimcreatetrimmedversionofselectedpages validatevalidatePDFagainstPDF32000-1:2008(PDF1.7) versionprintversion watermarkadd,remove,updatetext,imageorPDFwatermarksforselectedpages ...
使用CLI工具以图片形式添加水印:
$pdfcpuwatermarkadd-modeimage'voucher_watermark.png''s:1abs,rot:0'in.pdfout.pdf
调用api添加水印
packagemain
import(
"github.com/pdfcpu/pdfcpu/pkg/api"
"github.com/pdfcpu/pdfcpu/pkg/pdfcpu"
)
funcmain(){
onTop:=false
wm,_:=pdfcpu.ParseImageWatermarkDetails("watermark.png","s:1abs,rot:0",onTop)
api.AddWatermarksFile("in.pdf","out.pdf",nil,wm,nil)
}
三、PDF合并
- cpdf
- unipdfc
- pdfcpu
1.使用cpdf合并pdf
cpdf是一个开源免费的PDF命令行工具库，有丰富的功能，比如:
- MergePDFfilestogether,orsplitthemapart
- Encryptanddecrypt
- Scale,cropandrotatepages
- Readandsetdocumentinfoandmetadata
- Copy,addorremovebookmarks
- Stamplogos,text,dates,pagenumbers
- Addorremoveattachments
- LosslesslycompressPDFfiles
合并pdf:
$cpdf-mergeinput1.pdfinput2.pdf-ooutput.pdf
2.使用unipdf合并pdf
$unipdfmergeoutput.pdfinput1.pdfinput2.pdf
使用API合并pdf，参考unpdfgithubexample
3.使用pdfcpu合并pdf
$pdfcpumergeoutput.pdfinput1.pdfinput2.pdf
注意:pdfcpu只支持版本低于PDFV1.7的pdf文件
四、拆分PDF
- cpdf
- unipdf
- pdfcpu
1.使用cpdf拆分pdf
##逐页拆分成单个pdf $cpdf-splitin.pdf1even-chunk1-o./out%%%.pdf
2.使用unipdf拆分pdf
##将第一页拆分出来 $unipdfsplitinput.pdfout.pdf1-1
使用api拆分pdf，参考unipdfgithubexamples
3.使用pdfcpu拆分pdf
$pdfcpusplitin.pdf.
五、PDF转图片
- mupdf
- xpdf
1.使用mupdf操作pdf转图片
MuPDFisalightweightPDF,XPS,andE-bookviewer.
MuPDFconsistsofasoftwarelibrary,commandlinetools,andviewersforvariousplatforms.
下载mupdf后得到一些工具,比如:
mupdf
pdfdraw
pdfinfo
pdfclean
pdfextract
pdfshow
xpsdraw
其中pdfdraw可用来转换图片
$pdfdraw-oout%d.pngin.pdf
注意:mupdf不支持macOS
2.使用xpdf操作pdf转图片
xpdf是一个免费的PDF工具包，包括文字解析,图片转换,html转换等
下载该软件包后，可以得到一系列的工具:
pdfdetach
pdffonts
pdfimages
pdfinfo
pdftohtml
pdftopng
pdftoppm
pdftops
pdftotext
从名称上看，大致能看出来每一个工具的用处
##使用pdftopng将pdf转换成png $pdftopngin.pdfout-prefix
六、PDF解密
经常会遇到一种场景，读取pdf文件的时候发现会报错:文件被加密
但是在没有密码的情况下怎么解决呢?
- 使用qpdf解密
使用qpdf进行强制解密，有些情况是可以解密成功的，但是有些情况也不一定能解密成功
qpdf是一个支持命令行的pdf工具
$qpdf--decryptin.pdfout.pdf
使用pdfcpu解密
$pdfcpudecryptencrypted.pdfoutput.pdf
当有密码的情况下，可以使用密码解密:
使用unipdf解密pdf
$unipdfdecrypt-ppass-ooutput.pdfinput.pdf
七、PDF识别
经常会遇到一些场景，比如识别一个文件是不是pdf文件，识别pdf中的文字，识别pdf中的图片等
1.识别pdf中的文字
这里使用xpdf将pdf中的文字解析出来，然后再使用一些字符串操作或者正则表达式进行业务分析
使用xpdf/pdftotext解析pdf中的文本
$pdftotextinput.pdfoutput.txt
使用unipdf解析pdf中的文本
$unipdfextracttextinput.pdf
使用API解析pdf文本，参考unipdfgithubexamples
使用坐标信息解析pdf数据
上面都是先解析出pdf的文本，再根据业务进行处理
还有一种方式是按照坐标位置解析pdf，这种方式更加灵活以及通用，利用的是pdflib/tet
##输入一组坐标，即可按照坐标解析pdf中的数据
$tet--pageopt"includebox={{38707.93243.91716.93}}"input.pdf
坐标可以使用tet对pdf进行分析得到一个tetml文件，里面包含了坐标信息:
$tet--tetmlinput.pdf
当然也可以用一些其他的方式获取pdf中数据的坐标信息，比如nodejs等
注意:pdflib/tet是收费软件，但是根据官方文档说明,tet提供基础功能，处理不超过10页或者小于1M的pdf文件是不需要购买license的
pdflib/tet提供了命令行工具以及多种语言的sdk支持，比如C/C++/Java/.NET/Perl/PHP/Python/Ruby/Swift但目前还不支持Go语言，所以对于gopher而言目前只有两种选择:CLIORCGO
八、修复受损PDF文件
有一些pdf文件在电脑上打开时，显示正常，但是用代码检测却是不正常的,比如在Go中尝试用一个第三方库去解析一个(受损的)pdf:
import(
"fmt"
"github.com/rsc.io/pdf"
)
funcmain(){
filePath:="path/to/your/broken.pdf"
_,err:=pdf.Open(filePath)
iferr!=nil{
fmt.Println("openpdffailed,err:",err.Error())
return
}
}
运行后会得到这样一个结果:
openpdffailed,err:malformedPDF:cross-referencetablenotfound:{50obj}<>/MediaBox[00595.27600098841.89001465]/Parent30R/Type/Page>>
电脑打开正常，程序却读取错误!
这时候如果尝试在电脑上打开pdf，然后另存为一个新的pdf文件，再用代码去检测，会发现竟然修复了！
太好了，问题解决！
等等，如果我有1000张pdf文件，难道要逐个打开并另存为？这怎么能忍?所以如果有一种批量修复的功能就好了
在网上找了很久，大概得到三种解决方案:
- 利用AcrobatSDK,调用SDK中的另存为功能，可以实现电脑打开另存为的效果
- 利用ghostscript进行pdf修复
- 利用mupdf进行pdf修复
这里我只验证了第三种方式是可行的,这里我使用mupdf-0.9-linux-amd64这个版本进行验证
下载软件包后,得到其中一个可执行文件:pdfclean
$pdfcleanbroken.pdfrepaired.pdf +pdf/pdf_xref.c:160:pdf_read_trailer():cannotrecognizexrefformat:'%' |pdf/pdf_xref.c:481:pdf_load_xref():cannotreadtrailer \pdf/pdf_xref.c:537:pdf_open_xref_with_stream():tryingtorepair
从输出结果来看，mupdf尝试了修复处理
得到新的pdf文件之后，再用前面的Go代码尝试打开，就正常了
剩下的就是写一个bash脚本，批量修复，目标达成！
九、识别一个PDF文件的字体信息
有时候要使多个pdf文本字体保持一致，免不得要去分析pdf中都使用了哪些字体，这时候可以使用xpdf/pdffonts进行字体分析
$pdffontsinput.pdf nametypeencodingembsubuniobjectID --------------------------------------------------------------------------------------- NimbusSanL-ReguCIDTrueTypeIdentity-Hyesnoyes100 NimbusSanL-BoldCIDTrueTypeIdentity-Hyesnoyes200
其他Libiray介绍:
PDF-Writer
这是一个C++的开源库，支持创建pdf，合并pdf，图片水印文字操作等
对于gopher来讲，要使用这个库，需要封装一层CGO代码才可以
rsc/pdf
这是一个Go语言实现的pdf库，可以用于读取pdf信息，比如读取pdf内容/页数/字体等...具体可以参考文档
介绍了这么多第三方库，简直就是五花八门，各显神通。有些功能在大多数库中都是有重复的，具体使用中会遇到什么问题，还是要看实际情况如何。
希望这些总结能够对读者有所帮助
参考:
wkhtmltopdf
xpdf
cpdf
qpdf
unidoc
pdflib/tet
pdfwriter
mupdf
pdfcpu
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。