PDF ファイルを解析 (parse) する必要があったので，その触りだけ紹介（と言うか，必要な目的がこれだけで終わってしまった）．PDF ファイルは，以下のような書式になっています．
%PDF-1.X 1 0 obj << /Type /Catalog /Pages X 0 R >> endobj 2 0 obj << /CreationDate (D:20100417) /Title (PDF format sxample) /Author (clown) >> endobj ・ ・ ・ N 0 obj << ... >> endobj xref 0 N+1 % N=10 だったら 11 と言う意味 0000000000 65535 f % この記述は固定． 0000000010 00000 n 0000000xxx 00000 n ・ ・ ・ 000000xxxx 00000 n trailer << /Root 1 0 R /Info 2 0 R /Size N+1 % N=10 だったら 11 と言う意味 >> startxref xxxx %%EOF
PDF ファイルは，“%PDF-1.X*1”で始まり“%%EOF”で終わります．PDF では“%”から行末まではコメントなのですが，この 2 つだけはそれ以外の意味を持っています．
PDF ファイルは，様々な情報を“オブジェクト”と言う単位で管理しています．各オブジェクトは，“N 0 obj”と言う表記で始まり“endobj”と言う表記で終わります（N は 1 からの通し番号）．各オブジェクトの中に何が書いてあるかは様々なので各オブジェクトの解析は個別に対処するとして，まず必要になるのは「オブジェクト毎にそのオブジェクトを構成するバイト配列を抽出する事」になります．これを実現するために，xref （と startxref）を解析します．
xref からしばらく続く数字は，各オブジェクトの開始位置（オフセット）が記述されてあります．例えば，ある PDF ファイルに 5個のオブジェクトが存在する場合は，xref は以下のようになります．
xref 0 6 0000000000 65535 f % 0番目は使わない事になっているため，必ずこの記述になる． xxxxxxxxxx 00000 n % 1番目（1 0 obj）のオブジェクト xxxxxxxxxx 00000 n % 2番目（2 0 obj）のオブジェクト xxxxxxxxxx 00000 n % 3番目（3 0 obj）のオブジェクト xxxxxxxxxx 00000 n % 4番目（4 0 obj）のオブジェクト xxxxxxxxxx 00000 n % 5番目（5 0 obj）のオブジェクト trailer << ... >> startxref xxxx % "xref" の開始位置 %%EOF
xref の各行の最初の 10桁の数字が対応する番号のオブジェクトの開始位置になります．各オブジェクトのバイト数は明記されていませんので，「次のオブジェクト」の開始位置からバイト数を推測します．ここで注意しなければならないのは，PDF のオブジェクトは（1, 2, ..., N のように）必ずしも番号通りに出現しなくても良いことになっています（実際，ほとんどの PDF では順番通りに出現しない）．そのため，バイト数を求めるにはいったん各オブジェクトの開始位置でソートして，ソート後の「次のオブジェクト」との差からバイト数を求めます．
この部分を解析するためのコードは，例えば次のようになります．
using System; using Container = System.Collections.Generic; namespace Cliff { namespace Pdf { /* ----------------------------------------------------------------- */ /* * ObjectPosition * * 入力 PDF ファイルの各オブジェクトの，（開始位置, バイト数）の * 情報を保持するためのクラス．Pdf.Reader の xref (cross * reference table) の Value の型として使用される． */ /* ----------------------------------------------------------------- */ public class ObjectPosition { /* ------------------------------------------------------------- */ // Constructor /* ------------------------------------------------------------- */ public ObjectPosition() { this.offset_ = 0; this.length_ = 0; } /* ------------------------------------------------------------- */ // Constructor /* ------------------------------------------------------------- */ public ObjectPosition(long off, long len) { this.offset_ = off; this.length_ = len; } /* ------------------------------------------------------------- */ // accessor /* ------------------------------------------------------------- */ public long Offset { get { return this.offset_; } set { this.offset_ = value; } } public long Length { get { return this.length_; } set { this.length_ = value; } } private long offset_; private long length_; } /* ----------------------------------------------------------------- */ /* * Reader * * 引数に指定された PDF ファイルを解析し，PDF ファイルを構成する * 各オブジェクトにアクセスできるようにするためのクラス． * * Reader クラスは，xref (cross reference) table，および trailer * の情報を解析するのみで，各オブジェクトの内容はバイト配列 * で生のデータのまま返される．各オブジェクトの内容を解析する * 場合は，それぞれのオブジェクトにあった解析用クラスを別途用意 * する必要がある． */ /* ----------------------------------------------------------------- */ public class Reader : IDisposable { /* ------------------------------------------------------------- */ // Constructor /* ------------------------------------------------------------- */ public Reader() { this.Init(); } /* ------------------------------------------------------------- */ // Constructor /* ------------------------------------------------------------- */ public Reader(System.String path) { this.Init(); this.Open(path); } /* ------------------------------------------------------------- */ // Destructor /* ------------------------------------------------------------- */ ~Reader() { this.Dispose(); } /* ------------------------------------------------------------- */ /* * Open * * 引数に指定された PDF ファイルを開き，xref (cross reference) * table，および trailer の情報を解析する． */ /* ------------------------------------------------------------- */ public void Open(System.String path) { this.path_ = path; if (!System.IO.File.Exists(this.path_)) { throw new System.IO.FileNotFoundException(this.path_ + " is not found", this.path_); } this.input_ = new System.IO.FileStream(this.path_, System.IO.FileMode.Open); if (!this.IsValid()) throw new System.Exception("invalid PDF file format"); this.ReadVersion(this.input_); this.ReadInfo(this.input_); } /* ------------------------------------------------------------- */ // Dispose /* ------------------------------------------------------------- */ public void Dispose() { if (this.input_ != null) { this.input_.Dispose(); this.input_ = null; } } /* ------------------------------------------------------------- */ /* * IsValid * * PDF ファイルのフォーマットが正しいかどうかを判別する． * PDF ファイルは，%PDF-1.X (1.X はバージョン) の行で始まり， * %%EOF の行で終わる． */ /* ------------------------------------------------------------- */ public bool IsValid() { // %PDF-1.X のチェック byte[] chk = new byte[5]; this.input_.Seek(0, System.IO.SeekOrigin.Begin); this.input_.Read(chk, 0, 5); if (!(chk[0] == (byte)'%' && chk[1] == (byte)'P' && chk[2] == (byte)'D' && chk[3] == (byte)'F' && chk[4] == (byte)'-')) return false; // %%EOF のチェック byte [] feof = new byte[2]; this.input_.Seek(-2, System.IO.SeekOrigin.End); this.input_.Read(feof, 0, 2); long n = (feof[0] == 0x0d && feof[1] == 0x0a) ? 7 : ((feof[1] == 0x0a) ? 6 : 5); this.input_.Seek(-n, System.IO.SeekOrigin.End); this.input_.Read(chk, 0, (int)5); if (!(chk[0] == (byte)'%' && chk[1] == (byte)'%' && chk[2] == (byte)'E' && chk[3] == (byte)'O' && chk[4] == (byte)'F')) return false; return true; } /* ------------------------------------------------------------- */ /* * Count * * xref (cross reference) table の要素数を返す．PDF では， * インデックス番号で各オブジェクトが管理されているが， * このインデックス番号は 1 から始まる． * * したがって，有効な PDF オブジェクトのインデックス番号は * [1,Count] となるので注意する必要がある． */ /* ------------------------------------------------------------- */ public int Count() { return this.XrefTable.Count; } /* ------------------------------------------------------------- */ /* * GetObject * * index に対応するオブジェクトを返す．オブジェクトは， * バイト配列の形で生のデータのまま返される．オブジェクトの * 内容を解析する際には，それぞれのオブジェクトに応じた * 解析クラスを用意する必要がある． */ /* ------------------------------------------------------------- */ public byte[] GetObject(uint index) { if (!this.xref_.ContainsKey(index)) return null; ObjectPosition elem = this.xref_[index]; byte [] dest = new byte[elem.Length]; this.input_.Seek(elem.Offset, System.IO.SeekOrigin.Begin); this.input_.Read(dest, 0, (int)elem.Length); return dest; } /* ------------------------------------------------------------- */ // accessor /* ------------------------------------------------------------- */ public double Version { get { return this.version_; } } public Container.SortedDictionary<uint, ObjectPosition> XrefTable { get { return this.xref_; } } public Container.Dictionary<System.String, System.String> Trailer { get { return this.trailer_; } } /* ------------------------------------------------------------- */ // Init (private) /* ------------------------------------------------------------- */ private void Init() { this.path_ = null; this.input_ = null; this.xref_ = new Container.SortedDictionary<uint, ObjectPosition>(); this.trailer_ = null; } /* ------------------------------------------------------------- */ /* * ReadLine (private) * * 指定された StreamReader から次の一行を読み込む． * ただし，コメント行（% で始まる行）は読み飛ばす． */ /* ------------------------------------------------------------- */ private System.String ReadLine(System.IO.StreamReader reader) { System.String line = null; while ((line = reader.ReadLine()) != null) { if (line.Length > 0) { if (line[0] != 0x0d && line[0] != 0x0a && line[0] != '%') return line.Trim(); } } return null; } /* ------------------------------------------------------------- */ // ReadVersion (private) /* ------------------------------------------------------------- */ private void ReadVersion(System.IO.Stream input) { byte[] version = new byte[3]; this.input_.Seek(5, System.IO.SeekOrigin.Begin); this.input_.Read(version, 0, 3); this.version_ = System.Convert.ToDouble(System.Text.Encoding.ASCII.GetString(version)); } /* ------------------------------------------------------------- */ /* * ReadInfo (private) * * xref (cross reference) table，および trailer を読み込む． */ /* ------------------------------------------------------------- */ private void ReadInfo(System.IO.Stream input) { Container.HashSet<long> pos = new Container.HashSet<long>(); long startxref = this.ReadStartXref(input, 128); input.Seek(startxref, System.IO.SeekOrigin.Begin); System.IO.StreamReader reader = new System.IO.StreamReader(input); // 1. read xref (cross reference) table. System.String buffer = null; buffer = this.ReadLine(reader); if (buffer == null || buffer != "xref") throw new System.Exception("cannot find xref table"); buffer = this.ReadLine(reader); if (buffer == null) throw new System.Exception("cannot find xref table"); uint n = System.Convert.ToUInt32(buffer.Substring(buffer.IndexOf(' ') + 1)); Container.SortedDictionary<long, uint> map = this.MakeXrefTable(reader, n); uint index = 0; long first = 0; foreach (Container.KeyValuePair<long, uint> elem in map) { if (first > 0) { ObjectPosition x = new ObjectPosition(first, elem.Key - first); this.xref_.Add(index, x); } index = elem.Value; first = elem.Key; } ObjectPosition last = new ObjectPosition(first, startxref - first); this.xref_.Add(index, last); // 2. read trailer. System.String trailer = ""; bool target = false; while ((buffer = this.ReadLine(reader)) != null) { if (buffer == "startxref") break; if (buffer == "trailer") target = true; else if (target) trailer += buffer + " "; } if (trailer.Length > 0) { this.trailer_ = Utility.ParseDictionary(trailer); } } /* ------------------------------------------------------------- */ // ReadStartXref (private) /* ------------------------------------------------------------- */ private long ReadStartXref(System.IO.Stream input, uint bytes) { long dest = -1; input.Seek(-bytes, System.IO.SeekOrigin.End); System.IO.StreamReader reader = new System.IO.StreamReader(input); System.String line = null; bool target = false; while ((line = this.ReadLine(reader)) != null) { if (line == "startxref") target = true; else if (target) { dest = System.Convert.ToInt64(line); break; } } return (dest > 0) ? dest : this.ReadStartXref(input, bytes * 2); } /* ------------------------------------------------------------- */ // MakeXrefTable (private) /* ------------------------------------------------------------- */ private Container.SortedDictionary<long, uint> MakeXrefTable(System.IO.StreamReader reader, uint n) { Container.SortedDictionary<long, uint> dest = new Container.SortedDictionary<long, uint>(); try { for (uint i = 0; i < n; i++) { System.String buffer = this.ReadLine(reader); System.String [] token = buffer.Split(); if (token[2] == "n") dest.Add(System.Convert.ToInt64(token[0]), i); } } catch { throw new System.Exception("invalid xref table"); } return dest; } /* ------------------------------------------------------------- */ // member variables /* ------------------------------------------------------------- */ private System.String path_; private System.IO.FileStream input_; private double version_; private Container.SortedDictionary<uint, ObjectPosition> xref_; private Container.Dictionary<System.String, System.String> trailer_; } } }
References
*1:1.X はバージョン．現在のところ，1.0 〜 1.7 まで存在する．
