Go处理PDF

时间：2020-01-01 20:40:53 阅读：96 评论：0 收藏：0 [点我收藏+]

标签：重复 cpu cancel raw mission function tput package defer

技术图片

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Qt WebKit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
$ wkhtmltopdf input.html output.pdf

## 将一个网页打印成pdf
$ wkhtmltopdf https://www.google.com output.pdf

wkhtmltopdf的参数很丰富,比如:

支持发送 http post请求，适合将自定义开发的网页渲染成pdf文件:

$ wkhtmltopdf --help
...
--post <name> <value>           Add an additional post field (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'}())" page input.html output.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Chrome DevTools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:

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:

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
...
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,可以直接参考unipdf github example

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:

$ 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工具以图片形式添加水印:

$ pdfcpu watermark add -mode image 'voucher_watermark.png' 's:1 abs, rot:0' in.pdf out.pdf

调用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

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:

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，参考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

cpdf
unipdf
pdfcpu

1.使用cpdf拆分pdf

## 逐页拆分成单个pdf
$ cpdf -split in.pdf 1 even -chunk 1 -o ./out%%%.pdf

2. 使用unipdf拆分pdf

## 将第一页拆分出来
$ unipdf split input.pdf out.pdf 1-1

使用api拆分pdf，参考unipdf github examples

3.使用pdfcpu拆分pdf

$ pdfcpu split in.pdf .

五、PDF转图片

mupdf
xpdf

1. 使用mupdf操作pdf转图片

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 -o out%d.png in.pdf

注意: mupdf不支持mac OS

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
$ pdftopng in.pdf out-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 --decrypt in.pdf out.pdf

使用pdfcpu解密

$ pdfcpu decrypt encrypted.pdf output.pdf

当有密码的情况下，可以使用密码解密:

使用unipdf解密pdf

$ unipdf decrypt -p pass -o output.pdf input.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

$ 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，参考unipdf github examples

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={{38 707.93 243.91 716.93}}" 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 --tetml input.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:CLI OR CGO

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"
)

func main() {
    filePath := "path/to/your/broken.pdf"
    _, err := pdf.Open(filePath)
    if err != nil {
        fmt.Println("open pdf failed,err:", err.Error())
        return
    }
}

运行后会得到这样一个结果:

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>>

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 Acrobat SDK,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

$ 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

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

$ 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