搭建程序自己的在线PDF转换工具库-Stirling-PDF

又不知道忙了多久，今天闲暇时间看了一下Github，看到一个实用的开源项目Stirling-PDF。它可以对PDF文件执行各种操作，如拆分、合并、转换、重组、添加图像、旋转、压缩、签名等。

Stirling-PDF整合了众多实用的开源项目，下面，我们来了解一下Stirling-PDF的技术栈:

1. Spring Boot + Thymeleaf
2. PDFBox 开源项目地址：https://github.com/apache/pdfbox
3. LibreOffice 项目地址:https://github.com/LibreOffice/core
4. OcrMyPdf 开源项目地址:https://github.com/ocrmypdf/OCRmyPDF
5. HTML, CSS, JavaScript
6. Docker
7. PDF.js 开源项目地址:https://github.com/mozilla/pdf.js
8. PDF-LIB.js 开源项目地址: https://github.com/Hopding/pdf-lib

Stirling-PDF的功能:

1. 查看和修改PDF-使用自定义查看排序和搜索功能查看多页PDF。加上页面上的编辑功能，如注释、绘制和添加文本和图像。（使用带有Joxit和Liberation.Liberation字体的PDF.js）
2. 用于合并/拆分/旋转/移动PDF及其页面的完整交互式GUI。
3. 将多个PDF合并到一个结果文件中。
4. 按指定页码将PDF拆分为多个文件，或将所有页面提取为单个文件。
5. 将PDF页面重新组织为不同的顺序。
6. PDF旋转,PDF裁剪,分割PDF。
7. 删除页面。
8. 多页布局（将PDF格式设置为多页页面）。
9. 按设置%缩放页面内容大小。
10. 调整对比度。
11. 将PDF转换为单个页面。
12. 将PDF转换为图像和从图像转换PDF。
13. 将任何常用文件转换为PDF（使用LibreOffice）。
14. 将PDF转换为Word/Powerpoint/其他（使用LibreOffice）。
15. 将HTML转换为PDF。
16. 添加和删除密码。
17. 更改/设置PDF权限。
18. 添加水印。
19. 认证/签署PDF。
20. 添加/生成/写入签名。
21. 修复PDF。
22. 检测并删除空白页。
23. 比较2个PDF并显示文本差异。
24. 将图像添加到PDF中。
25. 压缩PDF以减小其文件大小（使用OCRMyPDF）。
26. 从PDF中提取图像。
27. 从扫描中提取图像。
28. 添加页码。
29. 通过检测PDF标题文本自动重命名文件。
30. PDF OCR（使用OCRMyPDF）。
31. PDF/A转换（使用OCRMyPDF）。
32. 获取PDF上的所有信息以查看或导出为JSON。

Stirling-PDF可编译部署(Linux)也可以Docker部署，自行编译部署相较麻烦，需要的环境比较多:

1. Java 17 or later
2. Gradle 7.0 or later (included within repo so not needed on server)
3. Git
4. Python 3.8 (with pip)
5. Make
6. GCC/G++
7. Automake
8. Autoconf
9. libtool
10. pkg-config
11. zlib1g-dev
12. libleptonica-dev

然后还要安装其它的依赖软件,如:

1. libreoffice-core
2. libreoffice-common
3. libreoffice-writer
4. libreoffice-calc
5. libreoffice-impress
6. python3-uno
7. unoconv
8. pngquant
9. unpaper
10. ocrmypdf
11. opencv-python-headless

看着都头疼。详细步骤在https://github.com/Stirling-Tools/Stirling-PDF/blob/main/LocalRunGuide.md

用Docker则比较方便，Stirling PDF 的docker镜像y有三个版本，完整版、精简版和超精简版。这三个版本的区别如下：

Technology	Ultra-Lite	Lite	Full
Java	✔️	✔️	✔️
JavaScript	✔️	✔️	✔️
Libre		✔️	✔️
Python			✔️
OpenCV			✔️
OCRmyPDF			✔️

Operation	Ultra-Lite	Lite	Full
add-page-numbers	✔️	✔️	✔️
add-password	✔️	✔️	✔️
add-image	✔️	✔️	✔️
add-watermark	✔️	✔️	✔️
adjust-contrast	✔️	✔️	✔️
auto-split-pdf	✔️	✔️	✔️
auto-redact	✔️	✔️	✔️
auto-rename	✔️	✔️	✔️
cert-sign	✔️	✔️	✔️
crop	✔️	✔️	✔️
change-metadata	✔️	✔️	✔️
change-permissions	✔️	✔️	✔️
compare	✔️	✔️	✔️
extract-page	✔️	✔️	✔️
extract-images	✔️	✔️	✔️
flatten	✔️	✔️	✔️
get-info-on-pdf	✔️	✔️	✔️
img-to-pdf	✔️	✔️	✔️
markdown-to-pdf	✔️	✔️	✔️
merge-pdfs	✔️	✔️	✔️
multi-page-layout	✔️	✔️	✔️
overlay-pdf	✔️	✔️	✔️
pdf-organizer	✔️	✔️	✔️
pdf-to-csv	✔️	✔️	✔️
pdf-to-img	✔️	✔️	✔️
pdf-to-single-page	✔️	✔️	✔️
remove-pages	✔️	✔️	✔️
remove-password	✔️	✔️	✔️
rotate-pdf	✔️	✔️	✔️
sanitize-pdf	✔️	✔️	✔️
scale-pages	✔️	✔️	✔️
sign	✔️	✔️	✔️
show-javascript	✔️	✔️	✔️
split-by-size-or-count	✔️	✔️	✔️
split-pdf-by-sections	✔️	✔️	✔️
split-pdfs	✔️	✔️	✔️
file-to-pdf		✔️	✔️
pdf-to-html		✔️	✔️
pdf-to-presentation		✔️	✔️
pdf-to-text		✔️	✔️
pdf-to-word		✔️	✔️
pdf-to-xml		✔️	✔️
repair		✔️	✔️
xlsx-to-pdf		✔️	✔️
compress-pdf			✔️
extract-image-scans			✔️
ocr-pdf			✔️
pdf-to-pdfa			✔️
remove-blanks			✔️

安装的时候，只需要运行一下命令即可

docker run -d \
  -p 8080:8080 \
  -v /location/of/trainingData:/usr/share/tesseract-ocr/5/tessdata \     #配置`Tesseract OCR`的目录，不配置，则无法使用OCR功能。
  -v /location/of/extraConfigs:/configs \
  -v /location/of/logs:/logs \
  -e DOCKER_ENABLE_SECURITY=false \
  --name stirling-pdf \
  frooodle/s-pdf:latest

我们来看一下运行起来的效果

Stirling-PDF中的OCR是基于开源项目OCRmyPDF开发，然而OCRmyPDF又依赖于Tesseract OCR,所以，要使用OCR功能便需要安装Tesseract OCR,Tesseract OCR也是一个开源项目,所以，Tesseract OCR如何安装?可以去 https://github.com/tesseract-ocr/ 看看。