पीडीएफ से फोंट निकालें

इसे तुरंत कहा जाना चाहिए कि Adobe वेबसाइट से मेगाबाइट PDFReference के बहुत से बेहतर प्रारूप की जानकारी नहीं है। C ++ में लिखने वालों के लिए एक तैयार समाधान है - XPDF। लिनक्स में, यह एडोब उत्पादों के लिए सबसे अधिक पूर्ण-प्रतिस्थापन प्रतिस्थापन है। इस विषय पर रूसी-भाषा की सामग्रियां सतही हैं और केवल परिचित के लिए काम करती हैं, न कि व्यावहारिक कार्य के लिए। लेकिन मुझे आशा है कि आप पहले से ही उनसे परिचित हैं, और PDFReference के साथ बेहतर हैं। मैंने पीडीएफ ट्रू टाइप फ़ॉन्ट से फोंट निकालने के एक विशिष्ट सरलीकृत उदाहरण का वर्णन करने का फैसला किया, क्योंकि यह सवाल बहुत बार नेटवर्क पर लगता है और अनुत्तरित रहता है। मुझे केवल एक ऐसे कार्यक्रम का पता है जो त्रुटियों के साथ और बिना स्रोत के काम करता है। मैं आपको याद दिलाता हूं कि निकाले गए फोंट का उपयोग करना हमेशा कानूनी नहीं होता है, आप केवल दस्तावेज़ से एम्बेडेड फ़ॉन्ट में पाठ प्रदर्शित कर सकते हैं।

जो लोग इस सवाल में रुचि रखते हैं, वे जानते हैं कि पीडीएफ में एक शीर्षक, एक क्रॉस-रेफरेंस टेबल (XRef), एक बॉडी और एक ट्रेलर (ट्रेलर) शामिल हैं। शीर्षक को छोड़कर सभी तत्व भागों और पूरे दस्तावेज़ में कई प्रतियों में बिखरे हुए हो सकते हैं। सबसे पहले आपको XRef table को पढ़ना होगा। मैं इसे एक वर्ग बनाने की सलाह देता हूं। तालिका का पता खोजने के लिए, हम %% EOF टैग को पूरा करने तक फ़ाइल को अंत से पढ़ते हैं। हम startxref टैग पर पीछे की ओर पढ़ना जारी रखते हैं। अब आप इस टैग को फॉलो करने वाले नंबर को पढ़ सकते हैं।
यहाँ एक फ़ाइल के अंत का एक उदाहरण है:

startxref
173
%% ईओएफ
नंबर १ 173३ फाइल डेटा की शुरुआत से पहले एक्सरेफ टेबल की शुरुआत तक की भरपाई है। इस बिंदु पर चलते हुए, हम कुछ इस तरह देखते हैं:
xref
7628 42
0000000016 00000 एन
0000001195 00000 च
और इसी तरह।

हम 7628 पर ध्यान नहीं देंगे (यह पहली वस्तु का नाम है जहां पृष्ठों की संख्या पर जानकारी दर्ज की गई है, उदाहरण के लिए, साथ ही साथ कई अन्य चीजें)। और 42 तालिका के इस भाग में रिकॉर्ड की संख्या है। इसके अलावा, यह काफी सरल है: हम पहले शब्द को 10-बाइट बफर में पढ़ते हैं, स्पेस को छोड़ते हैं और 5-बाइट बफर को पढ़ते हैं, एक ही कैरेक्टर को पढ़ते हैं। और इसलिए 42 बार। पूर्णांक में कनवर्ट किए गए स्ट्रिंग्स का निम्नलिखित अर्थ है - डेटा की शुरुआत से संदर्भ ऑब्जेक्ट, पीढ़ी संख्या तक की ऑफसेट। अंतिम वर्ण की व्याख्या निम्न प्रकार से की गई है: n - ऑब्जेक्ट का उपयोग किया गया है, f - ऑब्जेक्ट का उपयोग नहीं किया गया है, लेकिन जैसा कि मैंने कहा, फ़ाइल स्ट्रीम में XRef तालिका में एक्सटेंशन हो सकते हैं। उन्हें कैसे खोजें? ट्रेलर टैग हमेशा तालिका का अनुसरण करता है। जब यह मिलता है तो आपको लाइन / प्रीव की तलाश करने की आवश्यकता होती है - यदि कोई एक है, तो अगले तालिका में ऑफसेट इस प्रकार है।

/ पिछला 4025745

इस प्रकार, हम सभी तालिकाओं को पढ़ते हैं, यदि एक से अधिक हैं। यदि अगले ट्रेलर में / Prev स्विच नहीं है, तो आप पढ़ना समाप्त कर सकते हैं। अंतिम तालिका का एक संकेत यह भी हो सकता है कि यह रिकॉर्ड 0000000000 65535 f से शुरू होता है। मुझे यह कहना चाहिए कि हम तालिकाओं को पीछे की तरफ पढ़ते हैं, पढ़ने के दौरान आखिरी वाला पहला ऐसा होता है जो दस्तावेज़ बनाते समय दिखाई देता है, और आखिरी संपादन के बाद पढ़ने पर पहला होता है।

डेटा का उपयोग करके हम दस्तावेज़ में किसी भी संदर्भ वस्तु पर नेविगेट कर सकते हैं। सच है, अभी भी प्रत्यक्ष वस्तुएं हैं जिनके पते एक्सरेफ में शामिल नहीं हैं, लेकिन बाद में और अधिक। अब हम दस्तावेज़ की वस्तुओं पर टाइप कर सकते हैं, उनके प्रकार की जाँच कर सकते हैं और उनके साथ कर सकते हैं जो हमारा दिल चाहता है। वस्तु इस तरह शुरू होती है:

7626 0 ओबी
वस्तु सामग्री
endobj

7626 ऑब्जेक्ट का नंबर (नाम) है, और 0 जेनरेशन नंबर है, जिसे इस ऑब्जेक्ट के लिए लिंक टेबल में एक समान मूल्य के साथ मेल खाना चाहिए। जैसा कि मैं इसे समझता हूं, अगर कोई वस्तु बदलती है, तो उसे संपादित किया जाता है, फिर पीढ़ी संख्या भी बढ़ जाती है। हम फोंट की तलाश करने जा रहे हैं, इसके लिए हमें ऑब्जेक्ट के शब्दकोश को पढ़ने की जरूरत है, जो कि टैग्स में संलग्न एक लेक्समे <<> ... >> है। यदि शब्दकोश के तत्वों में ऐसी संरचना है, उदाहरण के लिए:

/ फर्स्टचेयर 32

जहां स्लैश के बाद शब्द कुंजी है, और अंतरिक्ष के बाद वैकल्पिक मूल्य है। जब पार्स करते हैं, तो आपको यह याद रखना होगा कि मूल्य में किसी भी घोंसले के किसी भी डेटा शामिल हो सकते हैं, अन्य शब्दकोशों सहित। तो, पुनरावृत्ति आपके हाथों में है, हालांकि, पुनरावृत्ति के बिना, अगर हम फोंट निकालने के एक विशिष्ट कार्य पर काम कर रहे हैं। निर्दिष्ट मान में निम्न प्रकार के नेस्टेड या गैर-नेस्टेड तत्व भी शामिल हो सकते हैं:

(...) -टेक्स्ट स्ट्रिंग्स
<...> - हेक्स स्ट्रिंग्स
[...] - सरणियाँ

मान स्ट्रिंग अगले स्लैश तक या लाइन फ़ीड तक जारी रहता है। एक फ़ॉन्ट ऑब्जेक्ट की पहचान करने के लिए, आपको शब्दकोश में एक संयोजन खोजने की आवश्यकता है:

/ टाइप / फ़ॉन्ट
अब हम Truetype फोंट को अनुक्रम शब्दकोश में सामग्री के अनुसार फ़िल्टर करते हैं:
/ उपप्रकार / ट्रू टाइप

हम बाकी कुंजियों को अनदेखा करते हैं, क्योंकि हम केवल फोंट निकालना चाहते हैं। लेकिन हम सबसे अधिक संभावना है कि इस ऑब्जेक्ट में स्वयं फॉन्ट नहीं मिलेंगे। केवल चाबियों का एक सेट जिसकी हमें जरूरत नहीं है। हम उनमें से एक पढ़ते हैं:

/ FontDescriptor 1675 0 R

यदि ऐसी कुंजी गायब है, तो फ़ॉन्ट बाहरी है और दस्तावेज़ में एम्बेडेड नहीं है। अगला इस ऑब्जेक्ट की पीढ़ी संख्या है, और प्रतीक आर का अर्थ है कि यह एक लिंक है। हम पहले से ही XRef तालिका पढ़ते हैं और अब हम फ़ॉन्ट डेटा पर जा सकते हैं, 1675 नंबर के साथ ऑब्जेक्ट के लिए ऑफसेट की खोज करके। यह विकल्प संभव है:

/ FontDescriptor << शब्दकोश और / या फ़ॉन्ट डेटा >>

हम मानते हैं कि हमने किसी प्रत्यक्ष वस्तु के लिंक का अनुसरण किया है। उनके शब्दकोश में निम्नलिखित कुंजियाँ होनी चाहिए:

/ टाइप / FontDescriptor

इस ऑब्जेक्ट में फ़ॉन्ट के बारे में बहुत उपयोगी जानकारी है, लेकिन फिर से फ़ॉन्ट स्वयं नहीं है। मेरी गलती नहीं - एडोब के खिलाफ सभी दावे। हमें ऐसी चाबी चाहिए

/ FontFile2 1676 0 आर

परिचित डिजाइन। अगली वस्तु पर जाएं। अगर हमने सब कुछ सही किया है, तो यह एक स्ट्रीमिंग ऑब्जेक्ट है। यह एक धारा शब्दकोश और द्विआधारी डेटा स्ट्रीम ... एन्डस्ट्रीम टैग के बीच संलग्न है। यहां यह कहा जाना चाहिए कि बाइनरी डेटा की उपस्थिति तैयार-किए गए पाठ पार्सर के उपयोग की अनुमति नहीं देती है। मैंने बहुत कोशिश की और मुझे खरोंच से ही लिखना पड़ा। बाइनरी डेटा को एक बार में पढ़ा जा सकता है, क्योंकि स्ट्रीम डिक्शनरी में स्ट्रीम लंबाई के साथ / लंबाई स्विच होता है। यदि आप एक्सटेंशन TTT वाली फ़ाइल में निकाले गए स्ट्रीम को सहेजने का प्रयास करते हैं, तो सिस्टम घोषणा करेगा कि यह एक फ़ॉन्ट नहीं है। यह सही है, आपको इसे खाली करने की आवश्यकता है।

फ़ॉन्ट को अक्सर ज़िप का उपयोग करके संपीड़ित किया जाता है, लेकिन निष्ठा के लिए, आप इसे / FlateDecode कुंजी की उपस्थिति से देख सकते हैं। यदि हम डेल्फी में काम करते हैं, तो हम मानक ZLib का उपयोग करते हैं। हम कुंजी / लंबाई 1 का उपयोग करके स्ट्रीम शब्दकोश से विघटित डेटा के लिए बफर आकार प्राप्त कर सकते हैं। ठीक है, आपको यह जानना होगा कि दस्तावेज़ में निर्मित फ़ॉन्ट में केवल उन ग्लिफ़ हैं जो दस्तावेज़ में उपयोग किए जाते हैं।

मुझे लगता है कि इन संकेतों के बाद, आप एक हाथ में हेक्स-व्यू ले सकते हैं, दूसरे में PDFReference और अपने स्वयं के एक्रोबेट राइडर का खर्च उठा सकते हैं।