从投资组合pdf java中提取文件夹

Question

我有一个包含文件夹、子文件夹和文件的投资组合 pdf。我需要在 java 中使用 iText 提取与文件夹、子文件夹和文件相同的结构。我只得到带有 EMBEDEDFILES 的文件。获取文件夹的方式也是什么。

请找到我正在使用的代码。这段代码只给了我文件夹中存在的文件。

public static void extractAttachments(String src, String dir) throws         IOException
{
    File folder = new File(dir);
    folder.mkdirs();

    PdfReader reader = new PdfReader(src);

    PdfDictionary root = reader.getCatalog();

    PdfDictionary names = root.getAsDict(PdfName.NAMES);
    System.out.println(""+names.getKeys().toString());
    PdfDictionary embedded = names.getAsDict(PdfName.EMBEDDEDFILES);
    System.out.println(""+embedded.toString());

    PdfArray filespecs = embedded.getAsArray(PdfName.NAMES);

    System.out.println(filespecs.getAsString(root1));
    for (int i = 0; i < filespecs.size();)
    {
        extractAttachment(reader, folder, filespecs.getAsString(i++),
                filespecs.getAsDict(i++));
    }
}

protected static void extractAttachment(PdfReader reader, File dir, PdfString name, PdfDictionary filespec)
        throws IOException
{
    PRStream stream;
    FileOutputStream fos;
    String filename;
    PdfArray parent;
    PdfDictionary refs = filespec.getAsDict(PdfName.EF);
    //System.out.println(""+refs.getKeys().toString());

    for (Object key : refs.getKeys())
    {
        stream = (PRStream)         PdfReader.getPdfObject(refs.getAsIndirectObject((PdfName) key));

        filename = filespec.getAsString((PdfName) key).toString();

        // System.out.println("" + filename);
        fos = new FileOutputStream(new File(dir, filename));
        fos.write(PdfReader.getStreamBytes(stream));
        fos.flush();
        fos.close();
    }
}

Answer 1

在Adobe® Supplement to the ISO 32000, BaseVersion: 1.7, ExtensionLevel: 3 中指定了 OP 在提取投资组合文件时尝试复制的文件夹结构。因此，它不是当前 PDF 标准的一部分，因此 PDF 处理软件不需要理解此类信息。不过，它似乎已计划添加到即将推出的 PDF-2 (ISO 32000-2) 标准中。

因此，要将投资组合文件提取到相关的文件夹结构中，我们必须检索 Adob​​e® 补充文件中指定的文件夹信息：

从扩展级别 3 开始，可移植集合可以包含 Folders 对象，用于 将文件组织成层次结构。该结构由具有单个根文件夹的树表示 作为集合中所有其他文件夹和文件的共同祖先。单个根文件夹是 在第 29 页的表 8.6 的 Folders 条目中引用。

表 8.6c 描述了文件夹字典中的条目

• ID integer （必需；ExtensionLevel 3） 一个非负整数值 表示唯一的文件夹标识号。两个文件夹 不应共享相同的ID 值。

  文件夹ID 值显示为任何文件的名称树键的一部分 与此文件夹关联。的详细说明 文件夹和文件的关联可以在这张表后面找到。

• Name 文本字符串 （必需；ExtensionLevel 3） 一个文件名，表示 文件夹。两个同级文件夹不得同名 以下案例规范化。

• Child 字典 （如果文件夹有任何后代，则需要；ExtensionLevel 3） 间接引用此文件夹的第一个子文件夹。

• Next 字典 （除每个级别的最后一项之外的所有项都需要；扩展级别 3） 间接引用此级别的下一个同级文件夹。

（第 8.2.4 节集合）

例如像这样：

static Map<Integer, File> retrieveFolders(PdfReader reader, File baseDir) throws DocumentException
{
    Map<Integer, File> result = new HashMap<Integer, File>();

    PdfDictionary root = reader.getCatalog();
    PdfDictionary collection = root.getAsDict(PdfName.COLLECTION);
    if (collection == null)
        throw new DocumentException("Document has no Collection dictionary");
    PdfDictionary folders = collection.getAsDict(FOLDERS);
    if (folders == null)
        throw new DocumentException("Document collection has no folders dictionary");

    collectFolders(result, folders, baseDir);

    return result;
}

static void collectFolders(Map<Integer, File> collection, PdfDictionary folder, File baseDir)
{
    PdfString name = folder.getAsString(PdfName.NAME);
    File folderDir = new File(baseDir, name.toString());
    folderDir.mkdirs();
    PdfNumber id = folder.getAsNumber(PdfName.ID);
    collection.put(id.intValue(), folderDir);

    PdfDictionary next = folder.getAsDict(PdfName.NEXT);
    if (next != null)
        collectFolders(collection, next, baseDir);
    PdfDictionary child = folder.getAsDict(CHILD);
    if (child != null)
        collectFolders(collection, child, folderDir);
}

final static PdfName FOLDERS = new PdfName("Folders");
final static PdfName CHILD = new PdfName("Child");

（摘自PortfolioFileExtraction.java）

并在写入文件时使用这些检索到的文件夹信息。

文件和文件夹的关联在 Adob​​e® Supplement 中指定如下：

如前所述，EmbeddedFiles 名称树中的文件通过特殊的 应用于名称树键字符串的命名约定。符合以下规则的字符串服务 将相应文件与文件夹关联：

• 名称树键是 PDF 文本字符串。
• 第一个字符（不包括任何字节顺序标记）是 U+003C，即小于号 (
• 以下字符应为一个或多个数字（0 到 9）后跟结束 U+003E， 大于号 (>)
• 字符串的其余部分是文件名。

由 LESS-THAN SIGN GREATER-THAN SIGN() 包围的字符串部分被解释为 指定与文件关联的文件夹的 ID 值的数值。该值应 对应于文件夹 ID。文件夹 ID 标记后面的字符串部分表示文件名 嵌入文件。

EmbeddedFiles 名称树中不符合这些规则的文件应被视为关联文件 与根文件夹。

（第 8.2.4 节集合）

您的方法可以这样扩展：

public static void extractAttachmentsWithFolders(PdfReader reader, String dir) throws IOException, DocumentException
{
    File folder = new File(dir);
    folder.mkdirs();

    Map<Integer, File> folders = retrieveFolders(reader, folder);

    PdfDictionary root = reader.getCatalog();

    PdfDictionary names = root.getAsDict(PdfName.NAMES);
    System.out.println("" + names.getKeys().toString());
    PdfDictionary embedded = names.getAsDict(PdfName.EMBEDDEDFILES);
    System.out.println("" + embedded.toString());

    PdfArray filespecs = embedded.getAsArray(PdfName.NAMES);

    for (int i = 0; i < filespecs.size();)
    {
        extractAttachment(reader, folders, folder, filespecs.getAsString(i++), filespecs.getAsDict(i++));
    }
}

protected static void extractAttachment(PdfReader reader, Map<Integer, File> dirs, File dir, PdfString name, PdfDictionary filespec) throws IOException
{
    PRStream stream;
    FileOutputStream fos;
    String filename;
    PdfDictionary refs = filespec.getAsDict(PdfName.EF);

    File dirHere = dir;
    String nameString = name.toUnicodeString();
    if (nameString.startsWith("<"))
    {
        int closing = nameString.indexOf('>');
        if (closing > 0)
        {
            int folderId = Integer.parseInt(nameString.substring(1, closing));
            File folderFile = dirs.get(folderId);
            if (folderFile != null)
                dirHere = folderFile;
        }
    }

    for (PdfName key : refs.getKeys())
    {
        stream = (PRStream) PdfReader.getPdfObject(refs.getAsIndirectObject(key));

        filename = filespec.getAsString(key).toString();

        fos = new FileOutputStream(new File(dirHere, filename));
        fos.write(PdfReader.getStreamBytes(stream));
        fos.flush();
        fos.close();
    }
}

（摘自PortfolioFileExtraction.java）

将这些方法应用于您的示例 PDF（例如，在 PortfolioFileExtraction.java 中使用测试方法 testSamplePortfolio11Folders）得到

Root
│   ThumbImpression.pdf
│
├───Folder 1
│   │   EStampPdf.pdf
│   │   Presentation.pdf
│   │
│   ├───Folder 11
│   │   │   Test.pdf
│   │   │
│   │   └───Folder 111
│   └───Folder 12
└───Folder 2
        SealDeed.pdf