JMeter文档上传场景下LibreOffice/PDFBox转换PDF的内容验证可行性问询

完全可以实现你需求的逐内容对比验证，针对你提到的各类源文档格式（Doc、Docx、TXT、JPG/PNG、RTF）和LibreOffice/PDFBox转换生成的PDF，可按内容类型分模块处理：

一、文本类内容对比（Docx/Doc/RTF/TXT ↔ PDF） #

1. 原文档文本提取 #

• Docx：借助Apache POI的XWPFDocument类提取纯文本，过滤格式标记，保留核心文本、空格、换行
• Doc：用Apache POI的HWPFDocument处理老版本Word文档
• RTF：通过Apache Tika或POI的RTFParser解析提取文本
• TXT：直接读取文件原始内容即可

2. PDF文本提取 #

使用Apache PDFBox的PDDocument和PDFTextStripper提取文本，注意配置PDFTextStripper参数（如启用换行、空格保留），保证提取逻辑与原文档对齐

3. 对比逻辑 #

• 核心文本校验：先去除转换过程中可能产生的冗余内容（如PDF分页符、原文档隐藏格式标记），再逐行/逐字符对比
• 格式细节校验：可将双方文本序列生成哈希值（如SHA-256），或用字符串差异工具（如Apache Commons Lang的StringUtils.difference）定位不一致点

二、图片类内容对比（JPG/PNG ↔ PDF） #

1. PDF图片提取 #

用PDFBox的PDFRenderer将PDF页面渲染为图片，或通过PDResources提取页面内的图片资源，转为BufferedImage对象

2. 对比逻辑 #

• 精确校验：计算原图片与提取图片的MD5/SHA哈希值，哈希一致则内容完全相同
• 模糊校验：若存在压缩导致的细微差异，可采用直方图对比、像素差分等相似度算法判断是否符合预期

三、JMeter中落地步骤 #

对应你的业务场景：

1. 模拟Docx上传与转换：
   用JMeter HTTP请求元件模拟Docx文件上传，获取转换后的PDF下载链接
2. 下载转换后的PDF：
   再通过HTTP请求将PDF下载至本地临时目录
3. 执行对比断言：
   • 将Apache POI、PDFBox、Apache Tika的jar包放入JMeter的lib/ext目录
   • 在JSR223元件中编写Groovy脚本实现对比逻辑，示例片段（文本对比）：

     // 读取原Docx文本
     def docxPath = vars.get("original_docx_path")
     def docxFile = new File(docxPath)
     def xwpf = new org.apache.poi.xwpf.usermodel.XWPFDocument(new FileInputStream(docxFile))
     def docxText = xwpf.extractText().trim()
     xwpf.close()
     
     // 读取PDF文本
     def pdfPath = vars.get("downloaded_pdf_path")
     def pdfFile = new File(pdfPath)
     def pdDoc = org.apache.pdfbox.pdmodel.PDDocument.load(pdfFile)
     def pdfStripper = new org.apache.pdfbox.text.PDFTextStripper()
     def pdfText = pdfStripper.getText(pdDoc).trim()
     pdDoc.close()
     
     // 断言文本一致
     assert docxText == pdfText : "原Docx与转换后的PDF文本内容不一致"
     

四、关键注意事项 #

• 统一转换配置：确保LibreOffice/PDFBox的转换参数（字体嵌入、页面尺寸、图片压缩率）固定，避免因配置差异导致的无效对比
• 特殊格式兼容：复杂表格、艺术字、水印等特殊元素转换后可能存在渲染差异，需针对性调整对比逻辑（如仅校验表格内文本）
• 性能优化：大文件对比会占用较多资源，建议单独用线程组处理，或添加超时机制避免阻塞

内容的提问来源于stack exchange，提问作者Narendra