如何修复损坏的/不符合标准的PDF

Question

我正在使用Perl构建一个web应用程序。用户向我发送一个XML文件，其中包含许多PDF文档的引用。我使用XSLT将XML转换为XHTML，然后使用PrinceXML从XHTML创建PDF文档。此PDF保留包含将包含的附件的页眉和页脚的空页。

有了PDF之后，我使用PDF：：API2Perl模块逐个打开XML中引用的PDF文档，根据需要缩放和旋转页面，然后将它们包含在我创建的PDF文档中。

我的问题是，用户提交的许多PDF文件都以某种方式损坏了。也就是说，它们不符合Adobe的PDF规范，并且PDF::API2不知道如何操作它们。API2文档建议使用pdftk修复损坏的PDF，但这通常需要很长时间，而且在许多情况下不会成功。

修复这些损坏的PDF的最好方法是什么？

Answer 1

你在这里提倡的东西有时被称为“重新油炸PDF”：转换为PostScript，然后再转换回PDF。

然而，虽然这可能会修复一些使用其他方法可能不容易修复的问题，但您也应该意识到这条道路上经常存在的问题和缺点：

• PostScript的图形功能比PDF更有限。PDF增加了对真实透明度、更多色彩空间、ICC色彩配置文件和更多字体类型的支持--这些都是PostScript所没有的功能。(事实上，需要在原始的PostScript图形模型中添加这些功能是促使Adobe开始开发PDF文件格式的原因之一！)
• 因此，从PDF转换到PostScript必然会导致质量下降，当您转换回PDF时，这种质量将无法恢复。

然而，你可以尝试另一种选择，它可以避免重复煎炸的弯路：

在Ghostscript:的帮助下直接

• Convert PDF -> PDF

gs \ -o output.pdf \ -dPDFSETTINGS=/prepress \ -sDEVICE=pdfwrite \ input.pdf

请使用可用于此操作的最新Ghostscript版本。

Ghostscript有很多选项，您可以使用这些选项来控制PDF修复过程的各个方面。在不了解您的具体问题的情况下，我不能在这里更具体。

但在过去的10年里，我并没有遇到很多Ghostscript无法修复的PDF问题，而通过Acroread重新油炸可以解决(尽管有一些问题)。哦，我有更多的例子，Acroread的重新煎炸没有成功，而Ghostscript的PDF -> PDF却成功了……

Answer 2

我回答这个问题是为了分享我在构建这个工具时找到的答案。

正如问题中提到的，我首先尝试使用Linux命令行工具pdftk修复损坏的PDF。这在某些情况下有效，但大多数损坏的PDF仍然无法修复，并且此工具通常需要很长时间。

然后，我突然想到了将PDF转换为PostScript，然后再转换回PDF的想法。我使用pdf2ps和ps2pdf进行转换。这两个工具都是ghostscript的包装器。这种方法获得了更高的命中率，但仍然有相当多的损坏的PDF无法转换为PostScript文件。

然后，我试着用Adobe的PDF阅读器acroread将PDF转换成PostScript格式，而不是pdf2ps格式。事实证明，这是一个非常好的解决方案，可以修复几乎所有的PDF。我仍然使用ps2pdf将文件转换回PDF。

我使用的acroread命令是：

acroread -toPostScript -choosePaperByPDFPageSize -pairs input.pdf output.ps

更新(2015年2月25日)：我遵循了Kurt Pfeifle的建议，并将其纳入我的流程中。这比“重做”慢(见Kurt的帖子)，但有更高的成功率。有趣的是，在极少数情况下，它不工作，而‘重做’工作，所以这成为我的后备。