如何修复 PDFBox 设置的 PDF/A 元数据（使用 Docx4j 和 XDocReport）

Question

为了达到可访问性级别 PDF/A-1A，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。我尝试了两种方法来进行转换：一种使用 XDocReport v.2.0.1，另一种使用 Docx4j v.6.1.0.

在Javaclass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>

我得到了以下元数据，而不是使用 Docx4j 进行转换：

    <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>

由于为 "title" 和 "description" 生成的元数据不同，使用 XDocReport 结果生成的最终 pdf PDF/A-1A 可访问，而使用 Docx4j 生成的则不可访问。

可访问性检查是使用 VeraPDF 进行的。

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

Answer 1

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

因此 export-FO 与 FOP v2.3 具有相同的制作 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。

作为旁注，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：

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。可以产生 PDF/A-2b: https://converter-eval.plutext.com/pdf_archive.html

Answer 2

当 xmpbox 与某些其他库一起使用时，这是一个已知问题，例如离岸价。

问题出在变压器上。

XmpSerializer.java中的代码：

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

应该return一个com.sun.org.apache.xalan.internal.xsltc.trax.TransformerImplclass。（试一试）

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

"The Services API will look for a classname in the file META-INF/services/javax.xml.transform.TransformerFactory in jars available to the runtime."

您可以通过设置系统属性:

强制默认实现

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

然而，这可能会弄乱其他库中的某些内容。

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();

Source

如何修复 PDFBox 设置的 PDF/A 元数据（使用 Docx4j 和 XDocReport）

How to fix PDF/A metadata set by PDFBox (working with Docx4j and XDocReport)

pdfbox

apache-fop

docx4j

pdfa

xdocreport