pdf 相关
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:
1
`$ 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](https://wkhtmltopdf.org/usage/wkhtmltopdf.txt)
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](https://github.com/SebastiaanKlippert/go-wkhtmltopdf)
**2\. 使用chromedp渲染pdf**
[chromedp](https://github.com/chromedp/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](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](https://unidoc.io/)平台开发的[unipdf](https://unidoc.io/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](https://github.com/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:
1
`$ 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](https://community.coherentpdf.com/)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:
1
`$ cpdf -merge input1.pdf input2.pdf -o output.pdf`
**2.使用unipdf合并pdf**
1
`$ 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**
1
`$ 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**
1
2
`## 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**
1
2
`## 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](https://github.com/unidoc/unipdf-examples/blob/v3/pages/pdf_split.go)
**3.使用pdfcpu拆分pdf**
1
`$ pdfcpu split in.pdf .`
**五、PDF转图片**
* mupdf
* xpdf
**1\. 使用mupdf操作pdf转图片**
[MuPDF ](https://www.mupdf.com/index.html)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
1
`$ 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](https://www.xpdfreader.com/)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
1
2
`## 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](http://qpdf.sourceforge.net/)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
1
`$ qpdf --decrypt in.pdf out.pdf`
使用pdfcpu解密
1
`$ 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
1
`$ 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
1
`$ pdftotext input.pdf output.txt`
使用unipdf解析pdf中的文本
1
`$ unipdf extract text input.pdf`
使用API解析pdf文本，参考[unipdf github examples](https://github.com/unidoc/unipdf-examples/blob/v3/text/pdf_extract_text.go)
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](https://www.pdflib.com/products/tet)
1
2
`## 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:
1
`$ 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](https://www.jb51.net/article/48171.htm)，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](https://www.mupdf.com/index.html)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`
**其他Libiray介绍:**
[PDF-Writer](https://github.com/galkahana/PDF-Writer/wiki)
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](https://github.com/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](https://godoc.org/rsc.io/pdf)
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