Очерк по поводу создания PDF-файлов

Максим Фокин

Автор: Максим Фокин, Королевство Delphi

В последнее время на просторах интернета обнаружилось очень много PDF converter'ов, reader'ов и write'ов. И подавляющее большинство из них предлагается за деньги. Сама программа от 10$ до 300$. А уж исходный код за гораздо большие деньги цена начинается от 200$ а в одном месте (заинтересовавшись этим полазил по инету) аж за 900 евро.

Данная проблемма меня заинтересовала в плане программирования и вот результаты довожу до вашего сведения. (Данные результаты получены мною при изучении внутренностей PDF файла, когда открываешь его в total commander через F3)

Обычный PDF файл состоит из четырех частей

<PDF file> :=	<header>
<body>
<cross-reference table>
<trailer>

Что такое такое <header>? Это обычное упоминание о версии PDF specification. Которое присутствует в первой строке PDF файла. Например "%PDF-1.3" В седьмой версии акробата которая вышла где то в начале лета этого года, этот номер "%PDF-1.7", но это не версия продукта, это версия именно спецификации. Второй строкой PDF идет небольшая аброкадабра (видимо предназначена для дальнейшего использования) " %вгПУ"

Все с первой частью PDF разобрались.

Что из себя представляет вторая часть которая называется <body>?

Ответ очень простой: это последовательность объектов, описание которых как и хедера представлены в текстовом виде.

Каждый объект это текстовой фрагмент с порядковым номером в имени например "4 0 obj"

4 это порядковый номер объекта
0 это номер (ре)генерации файла то есть когда файл обновляется (редактируется ) то данный номер увеличивается
obj это кодовое слово означающее что в теле документа нам встретился объект

Все объекты делятся на косвенные и прямые. Все косвенные, и их большинство, после слова obj имеют в своем теле делиметер "<<", означающее начало данных объекта. И в конце данных закрывающий делиметер ">>" и кодовое слово endobj

Прямые объекты не должны иметь в своем теле открывающих и закрывающих делиметеров "<<", ">>" Все косвенные объекты доступны через cross-reference table. В ней представлены ссылки в виде смещения от начала файла до начала объекта (Данные (строки) в объекте разделяются #13#10 либо #13)

Тип "самого главного" объекта в теле PDF файла носит гордое имя "/Catalog"

4 0 obj 
<<  

/Type /Catalog  
/Pages 2 0 R  
/OpenAction [ 5 0 R /XYZ null 364 1 ]  
/PageMode /UseNone  
>> 
endobj

На самом деле в теле минимального PDF файла типа "Hello world" должно быть 3 "главных" объекта. Давайте я их перечислю по типам:

"/Catalog" содержит в себе ссылку : на дерево страниц (/Pages)
"/Pages" содержит в себе ссылку на группу страниц документа
```
(Например
2 0 obj  

<<  
/Type /Pages  
/Kids [ 3 0 R ]  
/Count 1  
>>  
endobj
)
```

"/Page" содержит в себе ссылку на объекты относящиеся к конкретной странице.

(Например
3 0 obj 
<<  
/Type /Page  
/Parent 2 0 R  
/MediaBox [ 0 0 612 792 ]  
/CropBox [ 0 0 612 792 ]  
/Contents 4 0 R  
/Resources << /Font 20 0 R /ProcSet [ /PDF /Text ] >>  
/Rotate 0  
>>  

)

И несколько "второстепенных"

Разберем объект страница:

/Rotate поле показывающее на сколько градусов изображение страницы должно быть повернуто при отображение в программе
/MediaBox и /CropBox поля описывающие размер страницы
/Parent ссылка на родительский объект "/Pages"
/Resources это поле описывает какой фонт должен быть использован при отображении страницы (фонт это отдельный объект) и установку ProcSet эта установка показывает какое содержимое потока данных данной страницы (тоже может быть определен как объект, а не как поле)
/Contents Самое интересное поле в объекте "страница", дает ссылку на объект содержимого данной страницы, причем : если это поле отсутствует в объекте "страница" значит страница пустая

Содержимое страницы:
Объект "stream"

4 0 obj << /Length 305 >>  stream
BT
/F12 9 Tf
10 782 TD
0 -12.5 TD
(                                                   Max Fokin) Tj
0 -12.5 TD
(          mnb) Tj
0 -12.5 TD
() Tj
0 -12.5 TD
(Max               Privet) Tj
0 -12.5 TD
( 1) Tj
0 -12.5 TD
(1) Tj
0 -12.5 TD
(2) Tj
0 -12.5 TD
(3) Tj
0 -12.5 TD
(45) Tj
ET
endstream endobj

/Length 305

это поле показыввающее сколько байт от слова stream до слова endstream

Самый простой вариант - это некодированный и несжатый поток данных в объекте stream. Он ограничивается операторами BT и ET

BT Begins a Text Object  - характеризует начало текста
ET Ends a Text Object.         - характеризует конец текста

/F12 9 Tf

/F12 это кодовое имя объекта который характеризует фонт используемый на данной странице
9 это размер фонта
Tf это оператор который характеризует что данная строка в объекте steam есть установка фонта и размера

10 782 TD

это цифры откуда начинается данная строка (отсчет производиться от левого верхнего угла)

Tj

это оператор перевода на новую строку

Ну а в круглых скобках наш текст

Кодированный поток я сдесь не объясняю. Он основан на алгоритмах RC4, RC5, MD5.

Что такое объект Font

12 0 obj 
<<  
/Type /Font  
/Subtype /Type1  
/Name /F7  
/BaseFont /Courier-Oblique  
/Encoding /WinAnsiEncoding  
>>

/Type /Font Естественно название типа
/Subtype /Type1 название подтипа
/Name /F7 F7 это кодовое имя

PDF поддерживает несколько видов фонтов. Они перечисленны ниже

Type 1, including subsets and Multiple Master "snapshots"
Type 3
TrueType, including subsets
Type 0

Честно говоря, я не разбирался с Type 3, TrueType, including subsets, Type 0 ничего по ним сказать не могу
А Type 1 - это следующие фонты

Courier
Courier-Bold
Courier-BoldOblique
Courier-Oblique
Helvetica
Helvetica-Bold
Helvetica-BoldOblique
Helvetica-Oblique
Times-Roman
Times-Bold
Times-Italic
Times-BoldItalic
Symbol
ZapfDingbats

20 0 obj 
<<  
/F1 6 0 R  
/F2 7 0 R  
/F3 8 0 R  
/F4 9 0 R  
/F5 10 0 R  
/F6 11 0 R  
/F7 12 0 R  
/F8 13 0 R  
/F9 14 0 R  
/F10 15 0 R  
/F11 16 0 R  
/F12 17 0 R  
/F13 18 0 R  
/F14 19 0 R  
>>  
endobj

Это объект с названиями кодовых имен для фонтов первого типа. По этому кодовому имени можно легко получить сам объект фонт.

6 0 obj 
<<  
/Type /Font  
/Subtype /Type1  
/Name /F1  
/BaseFont /Helvetica  
/Encoding /WinAnsiEncoding  
>>

ВСЕ: то есть минимальное <Body> Состоит из следующих объектов: "catalog" , "pages", "page", "Resources" (опиционально может присутствовать, как поле в объекте страница), нетипизированный объект "stream", группа объектов "font"

Что такое <cross-reference table>?

На самом деле это обычная текстовая таблица, она начинается со слова xref и своем теле имеет ссылки на все косвенные объекты в документе. Вот пример

xref 
0 27  
0000000021 65535 f
0000000016 00000 n
0000000105 00000 n
0000000169 00000 n
0000000356 00000 n
0000000713 00000 n
0000000892 00000 n
0000001006 00000 n
0000001125 00000 n
0000001247 00000 n
0000001373 00000 n
0000001486 00000 n
0000001604 00000 n
0000001725 00000 n
0000001850 00000 n
0000001967 00000 n
0000002084 00000 n
0000002203 00000 n
0000002326 00000 n
0000002439 00000 n
0000002558 00000 n
0000000024 00001 f
0000002751 00000 n
0000002831 00000 n
0000000000 00001 f
0000002915 00000 n
0000002955 00000 n

0 27 Эти цифры обозначают следующее :

0 - первый object number в таблице
27 - количество элементов таблицы

Первый элемент таблицы всегда иммет вид "XXXXXXXXXX 65535 f" где X это цифра, а 65535 это значение по умолчанию для первого элемента в таблице. Символ "f" обозначает "free", то есть объект не используется

Ссылки на объекты, которые используются, в конце имеют символ "n"

Разберем элемент данной таблицы.

Первые 10 цифр - это смещение от начала файла до начала объекта.
0000000016 означает что через 16 байт от начала файла Вас встретит первое упоминание об объекте то есть, например, 4 0 obj

Вторые пять цифр - это номер генерации файла. Если файл только что создан, то они всегда нули. Если файл модифицируется, то это число увеличивается на единицу. То есть, 0000000024 00001 f

Канонический, только что созданный PDF файл, имеет только одну таблицу. Но, если файл редактируется, то таких таблиц может быть очень много.

Взаимосвязь таблиц осуществляется при помощи последнего элемента <trailer> и кодового слова startxref

Канонический, только что созданный PDF файл, имеет только одну таблицу, после таблицы идет элемент trailer

А после трайлера идет кодовое слово startxref, указывающее на смещение от начала файла до начала таблицы, вот пример.

trailer 
<< 
/Size 3 
>> 
startxref 
173 
%%EOF

Это значит, что через 173 байта от начала документа, будет присутствовать кодовое слово xref. Но, если файл был отредактирован, то последний в файле трайлер будет иметь вид:

xref 
0 3  
0000000000 65535 f
0000003609 00000 n
0000003832 00000 n
trailer 
<< 
/Size 3 
/ID[<7a15ab3ed3999575ff2f3034104a82c1><7a15ab3ed3999575ff2f3034104a82c1>] 
>> 
startxref 
173 
%%EOF

Но, если мы обратимся к таблице, куда указывает ссылка startxref 173, то мы найдем следующую таблицу, а за ней трайлер, который будет иметь поле /Prev 3896

3 16  
0000000016 00000 n
0000000664 00000 n
0000000936 00000 n
0000001106 00000 n
0000001133 00000 n
0000001250 00000 n
0000001395 00000 n
0000001811 00000 n
0000001992 00000 n
0000002180 00000 n
0000002360 00000 n
0000002760 00000 n
0000003438 00000 n
0000003516 00000 n
0000000776 00000 n
0000000916 00000 n
trailer 

<< 
/Size 19 
/Info 1 0 R  
/Root 4 0 R  
/Prev 3896  
/ID[<7a15ab3ed3999575ff2f3034104a82c1><7a15ab3ed3999575ff2f3034104a82c1>] 
>> 
startxref 
567
%%EOF

Данное поле /Prev 3896 указывает нам на предыдущую таблицу, а ссылка startxref 567 указывает на следующую таблицу и так практически до бесконечности, пока в очередном поле startxref мы не увидим 0. Это значит, мы прочитали все таблицы.

В данном очерке, конечно, не хватает исходного кода. Вот и он: представлены два модуля основной "PDFDocument" и вспомогательный "PDFBaseFonts"

Ссылки по теме

Файлы для загрузки

Исходный код модулей PDFDocument.pas и PDFBaseFonts.pas