分析PDF格式

>python pdf-parser.py -w -f x.pdf > x.pdf.dump.txt

输出PDF文件源码并还原经过处理的stream对象。

• PDF文件以obj为一个单位
• << >>包含obj的一些属性，如Filter格式
• [2 0 R]表示引用obj 2 0 对象
• /Type为Catalog, Pages, Page的页不可或缺
• /Type为Page的obj，/MediaBox表示纸张大小

PDF显示中文

有两种方式显示中文，/Type为Font的obj的/Encoding属性为/Identity-H， 然后/Contents所引用的obj中文字用glyph（文字在字体文件中的编码）表示。 采用这种方式如果不把完整的字体文件或者经过裁剪的字体文件嵌入PDF文件中， 会导致PDF文件兼容性很差，如对应系统中没有安装PDF指定的字体，则PDF将不能 正常显示。 GetGlyphIndices即可得到glyph index。 另一种方式是/Encoding使用/WinAnsiEncoding，中文直接采用unicode编码表示。

PDF 单位

PDF中固定每个单位为1磅即1/72英寸，1英寸为2.54厘米。 所以要在PDF上画1毫米即为72/2.54/10=2.834个单位

示例

%PDF-1.4

1 0 obj
<< 
/Type /Catalog 
/Pages 2 0 R 
>> 
endobj
2 0 obj
<< 
/Type /Pages 
/Count 1 
/Kids [ 3 0 R ] 
>> 
endobj
3 0 obj
<< 
/MediaBox [ 0 0 842 595 ] 
/Resources << /Font << /F2 6 0 R /F1 7 0 R >> /ProcSet 8 0 R >> 
/Type /Page 
/Parent 2 0 R 
/Contents 9 0 R 
>> 
endobj
4 0 obj
<< 
/Type /FontDescriptor 
/FontBBox [ 0 0 0 0 ] 
>> 
endobj
5 0 obj
<< 
/BaseFont /SimSun 
/Subtype /CIDFontType2 
/FontDescriptor 4 0 R 
/Type /Font 
/CIDSystemInfo << 
/Registry (Adobe)
/Ordering (GB1)
>> 
>> 
endobj
6 0 obj
<< 
/BaseFont /Helvetica 
/Name /F2 
/Type /Font 
/Encoding /WinAnsiEncoding 
/Subtype /TrueType 
>> 
endobj
7 0 obj
<< 
/FontDescriptor 4 0 R 
/Name /F1 
/DescendantFonts [ 5 0 R ] 
/Subtype /Type0 
/Encoding /UniGB-UCS2-H 
/Type /Font 
/BaseFont /SimSun 
>> 
endobj
8 0 obj
[ 
/PDF /Text 
]
endobj
9 0 obj
<< /Length 246 >> 
stream
1 0 0 1 0 0  cm
1  w
0.2745098 0.509804 0.7058824 rg
0 0 0 RG
56.68 538.32 28.34 28.34  re
 B


BT

/F1 8 Tf
0 0 1 rg
0 0 1 RG
0 0 m 28.34 580.83 TD 0 0 0 rg
0 0 0 RG

/F1 9 Tf
<7ED852364E004E2A59275C0F8FB9957F003153987C7376846B6365B95F62>Tj

ET

endstream
endobj
10 0 obj
<< 
/ModDate (D:20020306011115+06'00')
/CreationDate (D:20020306011115+06'00')
>> 
endobj
xref
0 11 
0000000000 65535 f
0000000010 00000 n
0000000063 00000 n
0000000127 00000 n
0000000287 00000 n
0000000356 00000 n
0000000515 00000 n
0000000632 00000 n
0000000791 00000 n
0000000823 00000 n
0000001121 00000 n
trailer
<< 
/Root 1 0 R 
/Size 11
/Info 10 0 R 
>> 
startxref
1220
%%EOF

源代码

C#基于PDFLib实现的一个PDF导出源码。 * 浮点数描述坐标，定位更准。 * 支持中文

https://github.com/codepongo/pdfexporter

参考

• PDF.NET - 生成PDF的C#类库
• PDFTools - Python开发的PDF文件的工具集
• PDF File Writer C# Class Library
• GetGlyphIndices function
• PDF, the default for the size of the unit

https://github.com/zanders3/json是一个C#实现的json库，只有几百行代码，为了简便牺牲了效率（No JIT Emit support to parse structures quickly）。

接口

• 将json字符串解析成c#中的T类型

T TinyJson.JSONParser.FromJson< T >(this string json)

• 将C#的object导出成json格式的字符串

string TinyJson.JSONWriter.ToJson(this object item)

json结构与C#的对应关系

• object应设为c#中的dictionary<string,object>或object；

• array映射为ArrayList；number映射为int，float或double；

• string还是string；boolean还是boolean。

实现思路

如果是基本数据类型则直接返回，如果是容器类型则以递归的方式根据不同类型调用不同方法进行解析和序列化。

示例

using System;
using System.Collections;
using System.Collections.Generic;
using System.Text;
using TinyJson;
namespace TinyJsonTester
{
    class Program
    {
        static void Main(string[] args)
        {
            object json = new Dictionary< string, object >
            {
                {"string", "" },
                {"number", new Dictionary< string, object > {
                                {"int",0 },
                                {"float", 0.1f },
                                {"double", 0.0001 }
                            }
                },
                {"array", new ArrayList {
                                    0,
                                    "0",
                                    null,
                                    true
                                }
                }
            };
            string jsonText = JSONWriter.ToJson(json);
            Console.WriteLine(jsonText);
            Dictionary< string, object > root = JSONParser.FromJson< Dictionary< string, object > > (jsonText);
            string stringValue = (string)root["string"];
            //Dictionary< string, object > number = (Dictionary< string, object >)root["number"];
            float f = (float)(double)((Dictionary< string, object >)root["number"])["float"];
            //List< object > array = (List< object >)root["array"];
            int zero = (int)(((List< object >)root["array"])[0]);
            Console.WriteLine($"{root}, {stringValue}, {f} , {zero}");
        }
    }
}