Struktur einer PDF-Datei? [geschlossen]

Für ein kleines Projekt muss ich PDF-Dateien analysieren und einen bestimmten Teil davon übernehmen (eine einfache Zeichenkette). Ich würde gerne Python verwenden, um dies zu tun, und ich habe mehrere Bibliotheken gefunden, die in gewisser Weise in der Lage sind, das zu tun, was ich will.

Aber jetzt, nach ein paar Recherchen, frage ich mich, wie eine PDF-Datei wirklich aufgebaut ist. Weiß jemand, ob es irgendwo online eine Spezifikation oder einige Erklärungen gibt? Ich habe einen Link auf Adobe gefunden, aber es scheint, dass es sich um einen toten Link handelt :(

Hier ist ein Link zum Referenzmaterial von Adobe

http://www.adobe.com/devnet/pdf/pdf_reference.html

Sie sollten jedoch wissen, dass es bei PDF nur um Präsentation geht, nicht um Struktur. Das Parsen wird nicht einfach.

Ich fand die GNU-Einführung in PDF hilfreich, um die Struktur zu verstehen. Es enthält eine leicht lesbare Beispiel-PDF-Datei , die ausführlich beschrieben wird.

Weitere hilfreiche Links:

• PDF Kurz gesagt, das Buch ist länger und enthält hilfreiche Bilder.
• Die Einführung in die Insides von PDF ist eine Präsentation, die nicht so ausführlich ist, aber einen schnellen Überblick bietet und viele Bilder enthält.

Als ich anfing, mit PDF zu arbeiten, war die Navigation in der PDF-Referenz sehr schwierig. Es kann hilfreich sein zu wissen, dass die Übersicht über die Dateistruktur in der Syntax enthalten ist und dass Adobe die Dokumentstruktur als Objektstruktur und nicht als Dateistruktur bezeichnet. Das findet man auch in der Syntax. Die Beschreibung der Operatoren ist in Anhang A versteckt - sehr nützlich, um zu verstehen, was in Inhaltsströmen geschieht. Wenn Sie jemals Schmerzen haben, mit Farbräumen zu arbeiten, werden Sie diese in Grafiken finden! Hoffentlich helfen Ihnen diese Hinweise dabei, Dinge schneller zu finden als ich.

Wenn Sie Windows verwenden, können Sie mit pdftron CosEdit die Objektstruktur durchsuchen, um sie zu verstehen. Es ist eine kostenlose Demo verfügbar, mit der Sie die Datei untersuchen, aber nicht speichern können.

Hier ist die Rohreferenz von PDF 1.7 und hier ein Artikel , der die Struktur einer PDF- Datei beschreibt. Wenn Sie Vim verwenden, ist das pdftk-Plugin eine gute Möglichkeit, das Dokument in einer etwas weniger rohen Form zu untersuchen, und das pdftk- Dienstprogramm selbst (und seine GPL-Quelle) ist eine großartige Möglichkeit, Dokumente auseinanderzuhalten.

Ich versuche so ziemlich das Gleiche zu tun. Die PDF-Referenz ist sehr schwer zu lesen. Dieses Tutorial ist meiner Meinung nach ein besserer Anfang.

Dies kann helfen, ein wenig Licht ins Dunkel zu bringen: (ab Seite 11 von PDF32000.book)

Die PDF-Syntax lässt sich am besten anhand von vier Teilen verstehen, wie in Abbildung 1 dargestellt:

• Objekte. Ein PDF-Dokument ist eine Datenstruktur, die aus einer kleinen Menge grundlegender Arten von Datenobjekten besteht. Unterabschnitt 7.2, "Lexikalische Konventionen", beschreibt den Zeichensatz, der zum Schreiben von Objekten und anderen syntaktischen Elementen verwendet wird. Unterabschnitt 7.3, "Objekte", beschreibt die Syntax und die wesentlichen Eigenschaften der Objekte. Unterabschnitt 7.3.8, "Stream-Objekte", enthält vollständige Details zum komplexesten Datentyp, dem Stream-Objekt.

• Dateistruktur. Die PDF-Dateistruktur bestimmt, wie Objekte in einer PDF-Datei gespeichert werden, wie auf sie zugegriffen wird und wie sie aktualisiert werden. Diese Struktur ist unabhängig von der Semantik der Objekte. Unterabschnitt 7.5, "Dateistruktur", beschreibt die Dateistruktur. Unterabschnitt 7.6, "Verschlüsselung", beschreibt einen Mechanismus auf Dateiebene zum Schutz des Inhalts eines Dokuments vor unbefugtem Zugriff.

• Dokumentstruktur. Die PDF-Dokumentstruktur gibt an, wie die grundlegenden Objekttypen zur Darstellung von Komponenten eines PDF-Dokuments verwendet werden: Seiten, Schriftarten, Anmerkungen usw. Unterabschnitt 7.7, "Dokumentstruktur", beschreibt die gesamte Dokumentstruktur. Spätere Klauseln befassen sich mit der detaillierten Semantik der Komponenten.

• Inhaltsströme. Ein PDF-Inhaltsstrom enthält eine Folge von Anweisungen, die das Erscheinungsbild einer Seite oder einer anderen grafischen Einheit beschreiben. Diese Anweisungen werden zwar auch als Objekte dargestellt, unterscheiden sich jedoch konzeptionell von den Objekten, die die Dokumentstruktur darstellen, und werden separat beschrieben. In Abschnitt 7.8, "Inhaltsströme und Ressourcen", werden PDF-Inhaltsströme und die zugehörigen Ressourcen erläutert.

Das Navigieren in einer PDF-Datei erfordert anscheinend etwas mehr als nur einen kurzen Aufwand.

Wenn Sie PDF mit Python analysieren möchten, schauen Sie sich bitte PDFMINER an . Dies ist die beste Bibliothek, um PDF-Dateien bis zum heutigen Datum zu analysieren.

Didier hat ein Tool zum Parsen des PDF:

http://didierstevens.com/files/software/pdf-parser_V0_4_3.zip

oder hier:

http://blog.didierstevens.com/programs/pdf-tools/, in dem mehrere verwandte PDF-Analysetools katalogisiert wurden.

Ein weiteres Tool ist hier:

http://mshahzadlatif.wordpress.com/2011/09/28/view-pdf-structure-using-adobe-acrobat-or-a-free-tool-called-pdfxplorer/

Das Extrahieren von Text aus PDF ist ein schwieriges Problem, da PDF eine solche layoutorientierte Struktur aufweist. Sie können die Dokumente und den Quellcode meines kaum erfolgreichen CPAN-Versuchs sehen (meine Implementierung ist in Perl). Die PDF-Datenstruktur ist sehr cool und gut gestaltet, aber es ist einfacher zu schreiben als zu lesen.

Eine Möglichkeit, Hinweise zu erhalten, besteht darin, eine PDF-Datei zu erstellen, die aus einer leeren Seite besteht. Ich habe CutePDF Writer auf meinem Computer und habe ein leeres Wordpad-Dokument von einer Seite erstellt. Wird in eine PDF-Datei gedruckt und anschließend mit dem Editor geöffnet.

Verwenden Sie als Nächstes eine Kopie dieser Datei, entfernen Sie möglicherweise interessante Zeilen oder Textblöcke und laden Sie sie anschließend in Acrobat Reader neu. Sie werden überrascht sein, wie wenig Informationen benötigt werden, um ein funktionierendes einseitiges PDF-Dokument zu erstellen.

Ich versuche, eine Tabelle zu erstellen, um ein PDF-Formular aus Code zu erstellen.

Sie benötigen das PDF-Referenzhandbuch, um Informationen zu Details und Struktur von PDF-Dateien zu erhalten. Ich schlage vor, mit Version 1.7 zu beginnen.

Unter Windows habe ich ein kostenloses Tool PDF Analyzer verwendet , um die interne Struktur von PDF-Dateien anzuzeigen. Dies hilft Ihnen beim Verständnis des Referenzhandbuchs.

(Ich bin mit PDF Analyzer verbunden, keine Absicht zu fördern)

Um Text aus einer PDF-Datei zu extrahieren, versuchen Sie dies unter Linux, BSD usw. oder verwenden Sie Cygwin unter Windows:

pdfinfo -layout some_pdf_file.pdf

Eine Nur-Text-Datei mit dem Namen some_pdf_file.txtwird erstellt. Je einfacher das Layout der PDF-Datei ist, desto einfacher ist die Ausgabe der TXT-Datei.

Hexadezimalzeichen sind häufig in der TXT-Dateiausgabe vorhanden und sehen in Texteditoren seltsam aus. Diese hexadezimalen Zeichen stehen normalerweise für geschweifte einfache und doppelte Anführungszeichen, Aufzählungszeichen, Bindestriche usw. im PDF.

Führen Sie diesen grep-Befehl aus, um den Kontext anzuzeigen, in dem die hexadezimalen Zeichen angezeigt werden, und halten Sie die Original-PDF-Datei bereit, um festzustellen, welche Zeichen die Codes in der PDF-Datei darstellen:

grep -a --color=always "\\\\[0-9][0-9][0-9]" some_pdf_file.txt

Dadurch wird eine eindeutige Liste der verschiedenen Oktalcodes im Dokument bereitgestellt:

grep -ao "\\\\[0-9][0-9][0-9]" some_pdf_file.txt|sort|uniq

Um diese hexadezimalen Zeichen in ASCII-Entsprechungen umzuwandeln, kann eine Kombination aus grep, sed und bc verwendet werden. Ich werde die Prozedur veröffentlichen, um dies bald zu tun.