CAJ转PDF实战：文献格式解析与批量转换方案

CAJ（China Academic Journal）是知网早期使用的专有文献格式，全称常被写作 CAJ / CDB / KDH 等一串变体。它不像 PDF 那样有公开规范，版本迭代又多，因此「CAJ 转 PDF」几乎是学术场景里最棘手的一类需求。要理解它的难点，得先从结构差异说起。

一、CAJ 与 PDF 的结构差异

• CAJ：私有的「目录 + 分层位图 + 文本层」混合结构，早期版本以整页位图为主、文本层为辅；较新的 KDH/CAJ 版本开始接近 PDF 的对象模型，但并未公开。
• PDF：公开规范，页面内容为矢量或位图指令流，可嵌入字体与文本层。
• 关键后果：CAJ 的文本层常与位图不严格对齐，直接抽取文字会出现串行、缺字，这正是「转出来能看却搜不全」的根本原因。

因此判断一份 CAJ 值不值得「直接解析」，就看它的版本号与内嵌文本层质量：老版本基本只能渲染，新版本才谈得上结构化。

二、两条技术路线与取舍

1. 客户端导出：用 CAJViewer（知网官方阅读器）打开后「打印为 PDF」或「导出为 PDF」。还原度最高，因为它调用的就是官方渲染栈；缺点是依赖 Windows 图形界面，无法在无头服务器上批量跑。
2. 解析库直转：使用开源解析库读取 CAJ 内部结构并重建 PDF。可批量、可容器化，但对版本适配敏感，遇到冷门版本容易翻车。

实务建议是「双轨制」：先用解析库批量跑一遍，把失败的文件收集成清单，再统一丢给客户端人工兜底。不要指望单一路线覆盖全部版本，这是 CAJ 场景下最基本的心智模型。

三、页序、页面尺寸与清晰度

问题	典型表现	处理策略
页序错乱	奇偶页颠倒或乱序	按内部页码索引排序，勿按文件名
尺寸不一	混入 A3 折页与 A4 正文	逐页保留原始尺寸，勿强制统一
清晰度不足	文字发虚、边缘锯齿	提高渲染 DPI 至 300，或优先走矢量层
文本层错位	复制内容与显示不符	若不可靠，宁可不嵌文本层

清晰度是 CAJ 转 PDF 最容易妥协又最不该妥协的一项。期刊扫描件本身分辨率有限，若再用 96 DPI 渲染，放大后完全不可读；建议直接以 300 DPI 渲染整页位图，宁可文件大一点，也不要牺牲可读性。

四、批量转换的脚本骨架

import os, glob, subprocess

SRC, DST = "caj_in", "pdf_out"
os.makedirs(DST, exist_ok=True)

for f in glob.glob(os.path.join(SRC, "*.caj")):
    out = os.path.join(DST, os.path.splitext(os.path.basename(f))[0] + ".pdf")
    r = subprocess.run(["caj2pdf", "convert", f, "-o", out],
                       capture_output=True, text=True)
    if r.returncode != 0 or not os.path.exists(out):
        print("[FAIL]", f, r.stderr.strip()[:120])
    else:
        print("[ OK ]", f, os.path.getsize(out), "bytes")

要点是失败必须显式记录并保留原始文件，方便二次处理；同时对输出做最小校验（文件非零、页数不小于 1、可打开），避免产出「0 字节的成功」。

五、版权与合规边界

CAJ 文献绝大多数来自付费数据库，转换本身属于格式迁移，但若用于二次分发、批量入库或对外提供下载，就可能越过授权范围。合规做法是把转换产物限于个人学习或已获授权的研究用途，并在流程中保留来源标识（DOI、题名、期号），既便于溯源，也符合学术规范。

六、总结

CAJ 转 PDF 没有一劳永逸的方案，正确的策略是：先按版本分流，客户端导出保底、解析库批量提速；渲染优先保清晰度，页序按内部索引而非文件名；失败文件显式留痕并二次处理。再加上版权上的自觉，这套流程才能在学术场景里长期跑下去。