Как исправить метаданные PDF/A, установленные PDFBox (работа с Docx4j и XDocReport)

Чтобы достичь уровня доступности PDF/A-1A, я устанавливаю метаданные XMP для PDF с использованием PDFBox v2.0.13. Перед настройкой метаданных я делаю преобразование файла из.docx в pdf. Я пробовал два способа сделать преобразование: один с использованием XDocReport v.2.0.1, а другой - с помощью Docx4j v.6.1.0.

В классе Java у меня есть следующий код:

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());

Делая преобразование с XDocReport, я получаю следующие метаданные:

  </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>

Вместо этого с помощью Docx4j я получаю следующие метаданные:

    <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>

Из-за разницы метаданных, созданных для "заголовка" и "описания", окончательный PDF-файл, созданный с использованием XDocReport, предоставляет результаты PDF/A-1A, в то время как тот, который создан с использованием Docx4j, недоступен.

Проверка доступности производится с помощью VeraPDF.

Поскольку Docx4j создает более читаемый PDF, есть ли способ исправить метаданные в окончательном PDF?

Источник

2 ответа

Решение

Это известная проблема, когда xmpbox используется вместе с некоторыми другими библиотеками, например, FOP.

Проблема в трансформаторе.

Этот код в XmpSerializer.java:

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

должен вернуть com.sun.org.apache.xalan.internal.xsltc.trax.TransformerImpl учебный класс. (Попытайся)

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

"Сервисный API будет искать имя класса в файле META-INF/services/javax.xml.transform.TransformerFactory в jar-файлах, доступных для среды выполнения".

Вы можете принудительно реализовать реализацию по умолчанию, установив системное свойство:

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

Однако, возможно, это что-то испортит в другой библиотеке.

Другим решением было бы скопировать исходный код XmpSerializer и изменить вызов newInstance следующим образом:

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

Источник

Источник

Экспортный FO docx4j использует Apache FOP (v2.3) для создания PDF.

Таким образом, export-FO обладает такой же способностью создавать PDF/A-1A, что и FOP v2.3: https://xmlgraphics.apache.org/fop/2.3/pdfa.html

Итак, я попробовал:

    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

Но жаловался

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)

Таким образом, вам нужно изучить встраивание базовых 14 шрифтов.

Как примечание, я попробовал образец ExtractMetadata PDFBox на простом PDF, созданном с использованием export-FO. К сожалению, сообщается:

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]

В качестве альтернативы всему этому вы можете рассмотреть наш коммерческий PDF Converter. Это может производить PDF / A-2b: https://converter-eval.plutext.com/pdf_archive.html

Источник
Другие вопросы по тегам