0

为了达到 PDF/A-1A 的可访问性级别，我正在使用 PDFBox v2.0.13 在 PDF 上设置 XMP 元数据。在设置元数据之前，我将文件从 .docx 转换为 pdf。我尝试了两种进行转换的方法：一种使用 XDocReport v.2.0.1，另一种使用 Docx4j v.6.1.0。

在 Java 类中，我有以下代码：

PDDocumentInformation info = pdf.getDocumentInformation();
info.setTitle("Apache PDFBox");
info.setSubject("Apache PDFBox adding meta-data to PDF document");
info.setCreator("MyCreator");
...
DublinCoreSchema dcSchema = metadata.createAndAddDublinCoreSchema();
dcSchema.setTitle(info.getTitle());
dcSchema.setDescription(info.getSubject());
dcSchema.addCreator(info.getCreator());

使用 XDocReport 进行转换，我得到以下元数据：

  </rdf:Description>
    <rdf:Description xmlns:dc="http://purl.org/dc/elements/1.1/" rdf:about="">
      <dc:title>
        <rdf:Alt>
          <rdf:li xml:lang="x-default">Apache PDFBox</rdf:li>
        </rdf:Alt>
      </dc:title>
      <dc:description>
        <rdf:Alt>
          <rdf:li xml:lang="x-default">Apache PDFBox adding meta-data to PDF document</rdf:li>
        </rdf:Alt>
      </dc:description>
      <dc:creator>
        <rdf:Seq>
          <rdf:li>MyCreator</rdf:li>
        </rdf:Seq>
      </dc:creator>
   </rdf:Description>

而是使用 Docx4j 进行转换，我得到以下元数据：

    <rdf:Description xmlns:dc="http://purl.org/dc/elements/1.1/" rdf:about="">
      <dc:title>
        <rdf:Alt>
          <rdf:li lang="x-default">Apache PDFBox</rdf:li>
        </rdf:Alt>
      </dc:title>
      <dc:description>
        <rdf:Alt>
          <rdf:li lang="x-default">Apache PDFBox adding meta-data to PDF document</rdf:li>
        </rdf:Alt>
      </dc:description>
      <dc:creator>
        <rdf:Seq>
          <rdf:li>MyCreator</rdf:li>
        </rdf:Seq>
      </dc:creator>
    </rdf:Description>

由于“标题”和“描述”生成的元数据不同，使用 XDocReport 生成的最终 pdf 结果 PDF/A-1A 可访问，而使用 Docx4j 生成的最终 pdf 不可访问。

可访问性检查是使用 VeraPDF 进行的。

由于 Docx4j 生成了更具可读性的 PDF，有没有办法修复最终 pdf 中的元数据？

4

2 回答 2

1

docx4j 的 export-FO 使用 Apache FOP (v2.3) 创建 PDF。

所以 export-FO 具有与 FOP v2.3 一样制作 PDF/A-1A 的能力： https ://xmlgraphics.apache.org/fop/2.3/pdfa.html

所以我尝试了：

    FOUserAgent foUserAgent = FORendererApacheFOP.getFOUserAgent(foSettings);       
    foUserAgent.getRendererOptions().put("pdf-a-mode", "PDF/A-1b");     
    // nb PDF/A-1a, PDF/A-2a and PDF/A-3a require accessibility to be enabled

但它抱怨：

For PDF/A-1b, all fonts, even the base 14 fonts, have to be embedded! Offending font: /Times-Roman
org.apache.fop.pdf.PDFConformanceException: For PDF/A-1b, all fonts, even the base 14 fonts, have to be embedded! Offending font: /Times-Roman
    at org.apache.fop.pdf.PDFFont.validate(PDFFont.java:170)

因此，您需要考虑嵌入 base 14 字体。

附带说明一下，我在使用 export-FO 创建的简单 PDF 上尝试了 PDFBox 的 ExtractMetadata 示例。不幸的是，它报告了：

An error ouccred when parsing the meta data: Invalid array definition, expecting Alt and found com.sun.org.apache.xerces.internal.dom.DeferredTextImpl [prefix=dc; name=title]

作为所有这些的替代方案，您可以考虑我们的商业 PDF 转换器。可以生成 PDF/A-2b： https ://converter-eval.plutext.com/pdf_archive.html

于 2019-02-08T06:58:42.313 回答
0

当 xmpbox 与某些其他库（例如 FOP）一起使用时，这是一个已知问题。

问题出在变压器上。

XmpSerializer.java 中的这段代码：

Transformer transformer = TransformerFactory.newInstance().newTransformer();

应该返回一个com.sun.org.apache.xalan.internal.xsltc.trax.TransformerImpl类。（试试看）

javadoc： https://docs.oracle.com/javase/7/docs/api/javax/xml/transform/TransformerFactory.html#newInstance()

“服务 API 将在运行时可用的 jar 中的 META-INF/services/javax.xml.transform.TransformerFactory 文件中查找类名。”

您可以通过设置系统属性来强制默认实现：

System.setProperty("javax.xml.transform.TransformerFactory", "com.sun.org.apache.xalan.internal.xsltc.trax.TransformerFactoryImpl");

但是，也许这会弄乱其他库中的某些东西。

另一种解决方案是复制 XmpSerializer 的源代码，并像这样更改 newInstance 调用：

Transformer transformer = TransformerFactory.newInstance("com.sun.org.apache.xalan.internal.xsltc.trax.TransformerFactoryImpl", null).newTransformer();

资源

于 2019-02-08T08:03:26.920 回答