技术文章

哪些 PDF/A 部分需要 XMP 扩展 schema?

往 PDF/A-2b 文件的 XMP 里塞一个 ERP 发票号,会招来一条未声明属性的发现项;同样的包放进 PDF/A-4 文件却合规。第 1 至 3 部分要求每个自定义属性都有 pdfaExtension:schemas 描述,第 4 部分不要求,所以 Delphi 版 PDFium Component 的 PDF/A 校验器先读 pdfaid:part 再选规则集

Delphi 版 PDFium Component 读取 pdfaid:part 的判定流程:PDF/A 第 1 至 3 部分选扩展 schema 检查,PDF/A-4 走包级规则
校验器先读 pdfaid:part,声称第 4 部分的包因此跳过 Delphi 版 PDFium Component 在第 1 至 3 部分下会报的四条扩展 schema 发现项

PDF/A 第 1 至 3 部分对自定义属性要求什么?

一份对其命名空间的描述,外加描述里点名该属性的那一行。ISO 19005-1 §6.7.2 只允许预定义 schema 的 XMP 属性或符合 §6.7.8 的扩展 schema,后者要求每份描述都在同一个元数据流里;ISO 19005-2 §6.6.2.3.1 把规则带进第 2、3 部分。描述不是一揽子许可证:它经 pdfaProperty:name 逐个点名属性,描述了 inv:InvoiceNumber 却又写了 inv:DueDate 的包,在第二个上栽。PDFium Component 用四个 TPdfAValidationIssue 值报告这些情形,一个错一条发现项:比如改名的前缀只会出前缀这一条

Issue 值何时报告条款
pvaiMissingExtensionSchema用了非预定义命名空间而包里没有 pdfaExtension:schemas 容器19005-1 §6.7.8,19005-2 §6.6.2.3.1
pvaiXmpPropertyUndeclared容器存在但其中没有描述点名该属性19005-1 §6.7.2,19005-2 §6.6.2.3.1
pvaiExtensionSchemaPrefix描述的命名空间绑定了必需前缀之外的前缀19005-1 §6.7.8,19005-2 §6.6.2.3.2
pvaiExtensionSchemaEntryMissing描述漏掉其表格列出的字段19005-1 §6.7.8,19005-2 §6.6.2.3.3

前两条里撞上哪条取决于生成方。许多 PDF/A 写入器已在容器里描述了 pdfaid 标识 schema,PDFium Component 的 SaveAsPdfA 也一样,后加的字段就落在没有任何对应条目的容器旁边。下面的例程只打印扩展 schema 发现项。预期结果:SaveAsPdfA 写出的 PDF/A-2b 文件打印 pac2b 和 pvaiXmpPropertyUndeclared;没有容器的第 1 或 2 部分包打印 pvaiMissingExtensionSchema;PDF/A-4 文件只打印合规行

uses
  System.SysUtils, System.Classes, System.TypInfo,
  PDFium, FPdfPdfa, FPdfXmp;

const
  InvoiceNs = 'http://ns.example.com/invoice/1.0/';
  ExtensionIssues: TPdfAValidationIssues = [pvaiMissingExtensionSchema,
    pvaiXmpPropertyUndeclared, pvaiExtensionSchemaPrefix,
    pvaiExtensionSchemaEntryMissing];

procedure PrintExtensionIssues(Source: TStream);
var
  Res: TPdfAValidationResult;
  Issue: TPdfAValidationIssue;
begin
  Res := ValidatePdfAComplianceEx(Source, TPdfAValidationOptions.Default);
  Writeln(GetEnumName(TypeInfo(TPdfAConformance), Ord(Res.Conformance)));
  for Issue in Res.Issues * ExtensionIssues do
    Writeln('  ', GetEnumName(TypeInfo(TPdfAValidationIssue), Ord(Issue)));
end;

procedure ProbeCustomProperty(const FileName: string);
var
  Pdf: TPdf;
  Packet: TPdfXmpPacket;
  Output: TMemoryStream;
begin
  Output := TMemoryStream.Create;
  try
    Pdf := TPdf.Create(nil);
    try
      Pdf.FileName := FileName;
      Pdf.Active := True;
      Packet := Pdf.ReadXmpPacket;
      if Packet = nil then
        raise Exception.CreateFmt('%s has no XMP packet', [FileName]);
      try
        Packet.SetSimpleValue(InvoiceNs, 'inv', 'InvoiceNumber', 'INV-2026-0412');
        if not Pdf.SaveAsWithXmpPacket(Output, Packet) then
          raise Exception.Create('Saving the edited packet failed');
      finally
        Packet.Free;
      end;
    finally
      Pdf.Free;
    end;
    Output.Position := 0;
    PrintExtensionIssues(Output);
  finally
    Output.Free;
  end;
end;

预定义集合在 XMP 2004 与 ISO 16684-1 之间挪动过

第 1 部分和第 2 部分对“预定义”的理解不一致。ISO 19005-1 §6.7.2 指向 2004 年 1 月的 XMP Specification,ISO 19005-2 §6.6.2.3.1 指向 ISO 16684-1,后者的清单更长。这个差距在日常文件里表现为 crs(Camera Raw 设置)、aux(附加 EXIF 数据)和 xmpDM(动态媒体),PDF/A Competence Center 的 TechNote 0008 脚注称它们是 XMP 2005 规范新增。crs:AutoBrightness 或 xmpDM:videoColorSpace 属性在第 1 部分下需要描述,从第 2 部分起算预定义。公开的 veraPDF 语料里有 PDF/A-1b 失败文件,除添加一个这类属性外什么都没动;veraPDF 自家的测试文件生成器往它的 PDF/A-2b 文件里写 camera-raw 或动态媒体提示,对部分编号视而不见的校验器必错一边。声明也挪过:photoshop:SupplementalCategories 在 2004 是 Text,在 ISO 16684-1 是 Text 的 bag,bag 形式过不了 PDF/A-1,在 PDF/A-2 里却正确

反向的捷径也不成。把 TechNote 0008 十张 schema 表之外的一切都当扩展,会误伤普通 xmpMM:History 条目用到的 sType 结构和 Identifier 限定符命名空间,而 TechNote 0008 在 PDF/A-1 里允许这些 URI。PDFium Component 从 pdfaid:part 读部分:没有描述块却用了 crs、aux 或 xmpDM 的第 1 部分包吃 pvaiMissingExtensionSchema,第 2 部分包则不沾扩展 schema 发现项。产 PDF/A-1 输出时,把下游没人读的 camera-raw 和动态媒体属性剥掉:一份完整的 crs 描述长达几十个条目,每个条目都是一次漏字段的机会

schema URI 里必需的前缀与结尾的 #

XML 命名空间通常任由写入者挑前缀。§6.7.8 对描述词汇收走了这份自由,给每个结构定死 URI 和必需前缀:pdfaSchema、pdfaProperty、值类型的 pdfaType,以及其字段的 pdfaField;ISO 19005-2 §6.6.2.3.2 重申这四条。把 http://www.aiim.org/pdfa/ns/property# 绑到 nonpdfaProperty 是等价的 XML,照样失败;veraPDF 语料里该条款的文件 URI 全对,只改一个前缀。你自己的 schema 是另一回事:pdfaSchema:prefix 记录的是首选前缀,inv 是建议。不管怎样,让它与包里实际绑定的前缀保持一致

PDF/A 四个扩展 schema 词汇表的结构:必需前缀、schema URI 与必填字段,以及 Delphi 版 PDFium Component 应用的结尾 # 归一化
每个描述词汇都带 URI 和必需前缀,组件比较命名空间 URI 前先把两边的结尾 # 去掉

URI 有个怪癖。ISO 19005-1 §6.7.8 正文印的是不带结尾 # 的 http://www.aiim.org/pdfa/ns/schema,它的表格和合规文件却在 URI 末尾带上它,对着正文做严格比较什么都匹配不上。PDFium Component 比较前把两边的结尾 # 都去掉。写带 # 的形式,自己的命名空间逐字符抄进 pdfaSchema:namespaceURI。ISO 19005-2 §6.6.2.3.2 的收尾句还要求 §6.6.2.3.3 表格列出的每个字段,缺一个就报 pvaiExtensionSchemaEntryMissing:

  • Schema(pdfaSchema):schema、namespaceURI 和 prefix,外加 property 和 valueType 清单——没东西可声明的 schema 可以省去
  • Property(pdfaProperty):name、valueType、category 和 description,category 取 internal 或 external
  • Value type(pdfaType):type、namespaceURI、prefix、description 和 field,必填,因为自定义值类型是结构
  • Field(pdfaField):name、valueType 和 description

结构化条目在 RDF/XML 里该怎么写?

三种写法都行,只要条目保持是结构。ISO 32000-2 §14.3.2 把元数据流的语法交给 ISO 16684-1,后者把 XMP 写成 RDF/XML 的子集。短形式把 rdf:parseType="Resource" 放在 rdf:li 上,字段列在下面;长形式把它们包进嵌套的 rdf:Description,两者是同一个匿名结构。第三种写法把纯文本字段挪到那个 rdf:Description 的属性上——那里只放得下文本:pdfaSchema:property 装的是序列,仍须是元素。把 rdf:parseType 从短形式条目上剥掉,产物就不再是 RDF/XML:解析器接着会期望 rdf:li 里是文本或单个节点元素,把 pdfaSchema:schema 当成 typed node,而节点元素不能含非空白文本,第一个字段就破了语法。重建列表项的 XSLT,或从字典重新生成该块的模板,都可能在保留每个元素的同时丢掉那个属性。用另一个 RDF 解析器——不是写出它的那个——把这种输出读回来,就能看到损坏

一条 PDF/A 扩展 schema 条目的三种合法 RDF/XML 写法,以及剥掉 rdf:parseType 后的语法断裂,Delphi 版 PDFium Component 原样保留这三种写法
短形式、长形式和属性简写描述的都是同一结构,从短形式条目上剥掉 rdf:parseType 会让 RDF 语法在第一个字段处断裂
<!-- 短形式:完整描述的发票 schema -->
<rdf:li rdf:parseType="Resource">
  <pdfaSchema:schema>Invoice data from the ERP</pdfaSchema:schema>
  <pdfaSchema:namespaceURI>http://ns.example.com/invoice/1.0/</pdfaSchema:namespaceURI>
  <pdfaSchema:prefix>inv</pdfaSchema:prefix>
  <pdfaSchema:property>
    <rdf:Seq>
      <rdf:li rdf:parseType="Resource">
        <pdfaProperty:name>InvoiceNumber</pdfaProperty:name>
        <pdfaProperty:valueType>Text</pdfaProperty:valueType>
        <pdfaProperty:category>external</pdfaProperty:category>
        <pdfaProperty:description>Invoice number assigned by the ERP</pdfaProperty:description>
      </rdf:li>
    </rdf:Seq>
  </pdfaSchema:property>
</rdf:li>

<!-- 长形式:同一结构写成嵌套节点 -->
<rdf:li>
  <rdf:Description>
    <pdfaSchema:schema>Invoice data from the ERP</pdfaSchema:schema>
    ...
  </rdf:Description>
</rdf:li>

<!-- 属性简写:文本字段作属性,清单仍是元素 -->
<rdf:li>
  <rdf:Description pdfaSchema:schema="Invoice data from the ERP"
      pdfaSchema:namespaceURI="http://ns.example.com/invoice/1.0/"
      pdfaSchema:prefix="inv">
    <pdfaSchema:property>...</pdfaSchema:property>
  </rdf:Description>
</rdf:li>

PDFium Component 来的是什么写法就留什么写法。TPdf.ReadXmpPacket 返回的 TPdfXmpPacket 里每个值都记录其源元素的 rdf:parseType——Resource、Literal 或 Collection,ToXml 原样写回;没有记录的结构离开时带 rdf:parseType="Resource"。这个写入器服务 SaveAsWithXmpPacket 和 NormalizePdfAMetadata——把 Info 条目与其 XMP 对应项拉齐的那个调用——三种写法的扩展块在读存一轮前后校验结果相同。新条目用短形式写:每个字段都是元素,编辑起来一致,也和 SaveAsPdfA 写出的 pdfaid 条目合拍

把你的描述并进已有的容器

把新条目并进已有的 rdf:Bag。每个包一个容器。veraPDF 的 XMP 解析器拒绝带第二个 pdfaExtension:schemas 元素的包(Duplicate property or field node 'pdfaExtension:schemas'),失败落在通用元数据规则上。每个属性都要名字、值类型、类别和描述,Factur-X 发票填的就是这些条目,好在扩展 schema 里声明它的 fx 属性。下面的清单把一个短形式条目拼接进 </rdf:Bag> 之前——ToXml 把它写在容器自己那一行。条目自带 pdfaSchema 和 pdfaProperty 声明,落在哪都解析一致

const
  ExtensionNs = 'http://www.aiim.org/pdfa/ns/extension/';
  ContainerEnd = '</rdf:Bag></pdfaExtension:schemas>';
  TopDescriptionEnd = '</rdf:Description>'#10' </rdf:RDF>';

function InvoiceSchemaItem: string;
begin
  Result := '<rdf:li rdf:parseType="Resource"' +
    ' xmlns:pdfaSchema="http://www.aiim.org/pdfa/ns/schema#"' +
    ' xmlns:pdfaProperty="http://www.aiim.org/pdfa/ns/property#">' +
    '<pdfaSchema:schema>Invoice data from the ERP</pdfaSchema:schema>' +
    '<pdfaSchema:namespaceURI>' + InvoiceNs + '</pdfaSchema:namespaceURI>' +
    '<pdfaSchema:prefix>inv</pdfaSchema:prefix>' +
    '<pdfaSchema:property><rdf:Seq><rdf:li rdf:parseType="Resource">' +
    '<pdfaProperty:name>InvoiceNumber</pdfaProperty:name>' +
    '<pdfaProperty:valueType>Text</pdfaProperty:valueType>' +
    '<pdfaProperty:category>external</pdfaProperty:category>' +
    '<pdfaProperty:description>Invoice number assigned by the ERP' +
    '</pdfaProperty:description>' +
    '</rdf:li></rdf:Seq></pdfaSchema:property></rdf:li>';
end;

// schema 条目描述 Uri 时为 True,无论它用哪种写法
function DescribesNamespace(const V: TPdfXmpValue; const Uri: string): Boolean;
var
  Q: Integer;
begin
  for Q := 0 to High(V.Qualifiers) do      // 字段作为 rdf:li 上的属性
    if (V.Qualifiers[Q].Name = 'namespaceURI') and
       (string(V.Qualifiers[Q].Value) = Uri) then
      Exit(True);
  Result := (Pos('>' + Uri + '</', string(V.RawXml)) > 0) or    // 元素形式
    (Pos('namespaceURI="' + Uri + '"', string(V.RawXml)) > 0);   // 属性形式
end;

// 返回新包;由调用方释放
function WithInvoiceSchema(Packet: TPdfXmpPacket): TPdfXmpPacket;
var
  Xml: string;
  Index, J, P: Integer;
  HasContainer: Boolean;
begin
  HasContainer := Packet.TryGetProperty(ExtensionNs, 'schemas', Index);
  if HasContainer then
    for J := 0 to High(Packet.Properties[Index].Values) do
      if DescribesNamespace(Packet.Properties[Index].Values[J], InvoiceNs) then
        Exit(Packet.Clone);                // 已有描述
  Xml := Packet.ToXml;
  P := Pos(ContainerEnd, Xml);
  if P > 0 then
    Insert(InvoiceSchemaItem, Xml, P)      // 并进已有的 bag
  else if HasContainer then
    raise EPdfXmpError.Create('Extension container uses an unexpected prefix')
  else
  begin
    P := Pos(TopDescriptionEnd, Xml);
    if P = 0 then
      raise EPdfXmpError.Create('Unexpected XMP packet layout');
    Insert('<pdfaExtension:schemas xmlns:pdfaExtension="' + ExtensionNs +
      '"><rdf:Bag>' + InvoiceSchemaItem + ContainerEnd + #10'  ', Xml, P);
  end;
  Result := TPdfXmpPacket.Parse(Xml);
end;

procedure TagInvoice(const SourceFile, TargetFile, InvoiceNo: string);
var
  Pdf: TPdf;
  Packet, Described: TPdfXmpPacket;
  Written: TFileStream;
begin
  Pdf := TPdf.Create(nil);
  try
    Pdf.FileName := SourceFile;
    Pdf.Active := True;
    Packet := Pdf.ReadXmpPacket;
    if Packet = nil then
      raise Exception.CreateFmt('%s has no XMP packet', [SourceFile]);
    Described := nil;
    try
      Packet.SetSimpleValue(InvoiceNs, 'inv', 'InvoiceNumber', InvoiceNo);
      Described := WithInvoiceSchema(Packet);
      if not Pdf.SaveAsWithXmpPacket(TargetFile, Described) then
        raise Exception.CreateFmt('Could not write %s', [TargetFile]);
    finally
      Described.Free;
      Packet.Free;
    end;
  finally
    Pdf.Free;
  end;
  Written := TFileStream.Create(TargetFile, fmOpenRead or fmShareDenyWrite);
  try
    PrintExtensionIssues(Written);         // 来自第一个清单
  finally
    Written.Free;
  end;
end;

预期结果:对 SaveAsPdfA 写出的 PDF/A-1、-2 或 -3 源文件,TagInvoice 打印合规行,四条扩展 schema 值一条不出现,发票条目以短形式挨着 pdfaid 条目。再跑一遍,无论已有条目是什么写法,bag 都不动:DescribesNamespace 搜 RawXml,对空 rdf:li 上的属性则搜限定符。别的绑定前缀的容器会抛异常,因为新开一个就成了 veraPDF 拒收的重复。ERP 加到期日时,扩展现有的 pdfaSchema:property 序列

PDF/A-4 到底查不查扩展 schema?

不查。ISO 19005-4 §6.7.2.1 只留包级规则:catalog 的 Metadata 键、已废弃的 bytes 和 encoding 头属性、格式良好的 XML 和 UTF-8。未描述的属性、nonpdfaSchema 下的描述、缺 pdfaSchema:schema 的描述,在 veraPDF 的 PDF/A-4 profile 下全都照样合规;PDFium Component 仅当 pdfaid:part 为 1、2 或 3 时才跑那四项扩展 schema 检查。标识 schema 哪里都守自己的规则:第 4 部分 §6.7.3 下其命名空间仍须绑到 pdfaid,属性集随部分增长——part、conformance,以及 2007 年修正案 1 起第 1 部分的 amd、ISO 19005-2 §6.6.4 起的 corr、第 4 部分的 rev。前缀错了报 pvaiXmpIdPrefixWrong,多出名字报 pvaiXmpIdPropertyUnknown,哪个部分都一样

想在同一份文档上比较各部分,只改包不改别的:把命名空间绑定插进 XMP 内部,同时删掉标签之间等量的空白字节,/Length、交叉引用偏移和 %PDF-2.0 文件头都原地不动。pypdf 重写可能把 PDF/A-4 文件以 %PDF-1.3 头还给你,那些失败会把元数据结果淹没。生产输出里,PDF/A-4 包也把描述写上:几百字节的事,PDFium Component 的校验器在第 4 部分下不会动它,这个包日后还能原样搬进 PDF/A-3 交付件