如何使用Java计算PDF/Word文档中的颜色页

Question

我希望开发一个使用Java的桌面应用程序来，计算、PDF、或Word文件中的彩色页面数。这将作为一个整体系统的一部分来帮助计算打印文档的成本，根据页面的数量(颜色/B&W)。

理想情况下，应用程序的用户将使用文件对话框来选择所需的PRF/Word文件，然后应用程序可以计数并输出彩色页数，从而使系统能够相应地自动计算文档成本。

也就是说，如果A4彩色页面的打印成本为每页50c，而B&W值为每页10c，则计算每个彩色/B&W页的文档总成本。

我知道现有的软件快速PDF计数http://www.traction-software.co.uk/rapidpdfcount/，但将不适合作为集成到一个新的系统的一部分。我也尝试过使用GhostScript/Python作为这个解决方案：http://root42.blogspot.de/2012/10/counting-color-pages-in-pdf-files.html，但是这需要太长时间(计算100页pdf需要5分钟)，并且很难在桌面应用程序中实现。

是否有使用Java (或其他语言)计算PDF或Word文件中彩色页数的方法？

谢谢

Answer 1

虽然这听起来很容易，但任务相当复杂。

一种选择是使用像iText to walk every single token in the PDF这样的程序，查找支持颜色的标记，并将其与“黑色”的定义进行比较。但是，这只会得到基本的文本和绘图命令。图像是完全不同的东西，所以您可能需要找到一个图像解析器，或者抓取每个规范的副本，然后遍历每个规范。

令牌遍历的缺点之一是您需要正确地处理引用其他事物的令牌，并进一步遍历这些令牌。

另一个缺点是，事情可能会重叠，所以你可能想知道他们的坐标，z索引，透明度等等。

道路上还会有更多的颠簸，但这是一个好的开始。最有趣的是，如果你做到了这一点，你会发现你已经建立了部分PDF渲染！

接下来，您需要定义“黑色”。在我的头顶上有RGB黑色，CMYK黑色，灰色黑色，也许实验室黑色和一些潘通。这应该不难，但如果我要建立这个，我会想知道“空白墨水的使用”，这也可能是灰色的阴影。也有“丰富的空白”，你可能需要处理，也！

所以说，我认为你找到的GhostScript选项确实是最好的选择。它逐字逐句地呈现PDF并从RGB的角度计算墨迹覆盖范围。你还是应该处理格雷的，但这不应该太难，here's a good starting point。

Answer 2

想知道点击费将会是什么是一个很常见的问题，但这是不容易解决的。正如克里斯·哈斯给出的答案所表明的那样，但我想再讲一遍。

首先，你必须想知道你是否真的想同时支持Word和PDF文档。分析Word文件没有您想象的那么有用，因为在打印单词文件之前，可能会将其转换为其他文件。因为你是从Word开始的，你在Word中漂亮的RGB黑色文本被转换成不太完美的4色( PDF格式的黑色)的可能性很高。换句话说，即使你可能把一页黑色的文字在单词中算作“便宜”的页面，但在从Word转换到可以打印的东西之后，它可能会变成一个昂贵的彩色页面。

那么，让我们考虑PDF的情况。PDF支持整个颜色空间(灰色，RGB，CMYK，与国际商会的配置文件，斑点颜色和一些多点颜色变体，CalGray，CalRGB和实验室相同。此外，有一系列非常棘手的特点，如透明度，重印，阴影，图像，面具.你们都必须考虑到。计算所需内容的唯一真正好的方法是做与打印机基本相同的工作；将PDF转换为每页一张图像并检查像素。

由于你想要做的事情，最好的方法是：

1)将任何单词文件转换为PDF格式。

2)将任何PDF文件转换为CMYK

3)将CMYK文件的每一页呈现为图像。

一旦你这样做了，你可以检查图像，看看你是否还有任何颜色。有许多潜在的技术可用于此。GhostScript无疑是其中之一，但也有一些商业解决方案，这些解决方案肯定会更昂贵，但可能更快。