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。docx转pdf。我尝试了两种方法进行转换:一种是使用XDocReport v.2.0.1，另一种是使用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>

相反，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>

由于为"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生成的结果不可访问。

使用VeraPDF进行可访问性检查。

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？

Answer 1

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

变压器才是问题所在。

XmpSerializer.java中的此代码：

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

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

javadoc:https://docs . Oracle . com/javase/7/docs/API/javax/XML/transform/transformer factory . html # new instance()

"服务API将在运行时可用的jar文件META-INF/Services/javax . XML . transform . transformer factory中查找类名。"

您可以通过设置系统属性来强制执行默认实现：

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内容。

另一个不同的解决方案是复制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();

来源

Answer 2

docx4j的导出 -FO使用阿帕奇 FOP （v2.3） 来创建一个 PDF。

所以export-FO和FOP v 2.3:https://xmlgraphics.apache.org/fop/2.3/pdfa.html一样有能力制作PDF/A-1A

所以我试着:

    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

但它抱怨道:

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，您需要考虑嵌入基本的14种字体。

作为旁注，我在使用导出FO创建的简单PDF上尝试了PDFBox的提取元数据示例。不幸的是，它报告说：

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