pdfcpu项目：如何获取PDF页面尺寸与旋转信息的JSON输出

在PDF文档处理过程中，获取页面尺寸和旋转信息是一项常见需求。pdfcpu作为一款功能强大的PDF处理工具，提供了多种方式来获取这些信息。本文将详细介绍如何使用pdfcpu获取这些关键数据，并探讨其JSON输出格式的改进。

基础信息获取方式

pdfcpu的info命令可以显示PDF文档的基本信息，包括页面尺寸和旋转信息。使用以下命令可以获取这些数据：

pdfcpu info -u mm -p 1- input.pdf

其中：

• -u mm参数指定使用毫米作为单位
• -p 1-参数表示处理所有页面

输出结果会包含每个页面的详细信息，如：

Page 1: rot=+0 orientation:portrait
  MediaBox (mm) (0.00, 0.00, 210.01, 297.00) w=210.01 h=297.00 ar=0.71

JSON输出格式的改进

虽然pdfcpu早期版本的JSON输出不包含页面尺寸和旋转信息，但从v0.7.0版本开始，这些关键数据已被纳入JSON输出格式中。使用-j参数可以获取JSON格式的输出：

pdfcpu info -j -u mm -p 1- input.pdf

改进后的JSON输出包含了更完整的文档信息结构，特别是页面级别的详细信息。

技术细节解析

在PDF文档中，页面尺寸和旋转信息存储在以下几个关键字段中：

1. MediaBox：定义页面的物理尺寸
2. CropBox：定义页面的可视区域
3. Rotate：定义页面的旋转角度

pdfcpu能够准确解析这些字段，并以用户友好的方式呈现。旋转信息特别重要，因为它会影响页面的实际显示方向，即使MediaBox尺寸保持不变。

实际应用场景

获取这些信息在实际工作中有多种用途：

1. 文档预处理：在批量处理前了解各页面尺寸是否一致
2. 质量控制：检查文档中是否存在异常旋转的页面
3. 自动化流程：基于页面尺寸自动选择适当的处理方式
4. 报告生成：创建包含文档结构信息的详细报告

最佳实践建议

1. 始终使用最新版本的pdfcpu以获取最完整的功能
2. 在处理大批量文档时，优先使用JSON格式输出以便程序化处理
3. 注意单位参数(-u)的选择，确保结果符合预期
4. 对于复杂文档，考虑结合其他pdfcpu命令进行更全面的分析

通过掌握这些技巧，用户可以更高效地利用pdfcpu处理PDF文档，特别是在需要获取页面元信息的场景下。