Очерк по поводу создания PDF-файлов
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> :=
Что
такое такое ? 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 ?
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 ">" 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 >
/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 > 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 Состоит из следующих объектов:
"catalog" , "pages", "page", "Resources"
(опиционально может присутствовать, как поле в объекте страница),
нетипизированный объект "stream", группа объектов "font"
Что такое ?
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 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[]
>>
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[]
>>
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"
Список литературы
Для
подготовки данной работы были использованы материалы с сайта http://www.citforum.ru/