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 >> )
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
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
Кодированный поток я сдесь не объясняю. Он основан на алгоритмах RC4, RC5, MD5.
Что такое объект Font12 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
А Type 1 - это следующие фонтыCourier 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 38963 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.