Від нуля до написання PDF (01): Привіт, світ — створення мінімально працездатного PDF

Цілі серії: Розуміти PDF як читабельний формат файлу — почати з "працюючого" мінімального прикладу, а потім поступово розширювати до графіки, багатосторінкових документів, стиснення та повторного використання ресурсів.

Зміст серії

• Частина 01 (ця стаття): Напишіть мінімальний PDF (1 сторінка + 1 рядок тексту) та використовуйте інструменти для завершення його у стандартний PDF, який можна відкрити
• Частина 02: Малювання ліній/прямокутників у потоці вмісту (розуміння шляхів, обводки, заповнення)
• Частина 03: Багатосторінковий PDF (як формується дерево Pages)
• Частина 04: Ближче до реального світу (потоки стиснення, повторне використання ресурсів, необов'язкові структури тощо)

Чому важливо розуміти базову структуру PDF?

PDF (Portable Document Format, переносимий формат документів) є одним з найпопулярніших мов опису сторінок сьогодні. Він відрізняється від HTML/CSS, де "вміст і подання розділені, і можливе повторне форматування (Reflowable)", PDF більше акцентує на фіксованому макеті, що видно, те й отримуєш — незалежно від пристрою, на якому відкривається, верстка залишається незмінною.

Розуміння базової структури PDF має кілька практичних переваг:

• Виправлення проблем з генерацією PDF: Коли ви генеруєте PDF за допомогою бібліотеки і виникає помилка, розуміння базової структури дозволяє швидко локалізувати проблему
• Автоматизація обробки: Пакетне витягування тексту, об'єднання документів, додавання водяних знаків тощо, розуміння структури дозволяє точно виконувати операції
• Аудит безпеки: Розуміння того, які вмісти можуть бути вбудовані в PDF (JavaScript, вкладення, форми тощо), допомагає в аналізі безпеки
• Вивчення дизайну форматів файлів: Дизайн PDF "об'єктна графіка + випадковий доступ" є класичним прикладом, варто вивчити

Підготовка

У цій статті спочатку буде написано "структурно неповний, але логічно правильний" файл hello-broken.pdf, а потім за допомогою pdftk автоматично буде завершено ключові структури та виведено hello.pdf.

• Необхідні інструменти: pdftk (безкоштовний командний інструмент, підтримує Windows/macOS/Linux)
• Вихідні файли: hello-broken.pdf (написаний вручну), hello.pdf (відкритий після виправлення)

Основна концепція: три шари структури PDF

Найважливіше для розуміння PDF — це створити тришарову модель свідомості:

1. Шар об'єктів (Document Content)

PDF документ складається з багатьох об'єктів, які з'єднані між собою за допомогою непрямих посилань (наприклад, 2 0 R). Типові типи об'єктів:

2. Шар вмісту (Page Content)

Справжні "інструкції для малювання тексту/графіки на сторінці" зазвичай записуються в stream ... endstream. Формат: операнди попереду, оператори позаду.

/F0 36 Tf          ← Операнд: /F0, 36  Оператор: Tf (встановлення шрифту)
(Hello, World!) Tj ← Операнд: рядок   Оператор: Tj (малювання тексту)

3. Шар структури файлу (File Structure)

Дозволяє читачеві швидко випадково отримувати доступ до будь-якого об'єкта, не читаючи файл від початку до кінця:

Які об'єкти потрібні для мінімального PDF?

Мінімальний PDF, який "може відображати текст", має такі відносини між об'єктами:

Список мінімальних об'єктів:

Практика: Написання hello-broken.pdf

Створіть файл hello-broken.pdf і повністю вставте в нього наступний вміст:

%PDF-1.0
1 0 obj
<< /Type /Pages
   /Count 1
   /Kids [2 0 R]
>>
endobj

2 0 obj
<< /Type /Page
   /MediaBox [0 0 612 792]
   /Resources 3 0 R
   /Parent 1 0 R
   /Contents [4 0 R]
>>
endobj

3 0 obj
<< /Font
     << /F0
          << /Type /Font
             /BaseFont /Times-Italic
             /Subtype /Type1 >>
     >>
>>
endobj

4 0 obj
<< >>
stream
1. 0. 0. 1. 50. 700. cm
BT
 /F0 36. Tf
 (Hello, World!) Tj
ET
endstream
endobj

5 0 obj
<< /Type /Catalog
   /Pages 1 0 R
>>
endobj

xref
0 6
trailer
<< /Size 6
   /Root 5 0 R
>>
startxref
0
%%EOF

Чому цей файл "поганий"?

Ми навмисно пропустили або неправильно заповнили такі вмісти:

Це все критично важлива інформація для читача, відсутність якої може призвести до неможливості відкриття або відкриття з помилками.

Детальний розгляд ключових інструкцій потоку вмісту

Потік вмісту знаходиться між stream ... endstream в об'єкті 4 0 obj, пояснення по рядках:

1. 0. 0. 1. 50. 700. cm   ← Встановлення матриці перетворення (зверніть увагу, що 1. представляє дійсне число 1.0)
BT                         ← Початок текстового об'єкта
 /F0 36. Tf                ← Вибір шрифту F0, розмір шрифту 36pt
 (Hello, World!) Tj        ← Малювання рядка
ET                         ← Кінець текстового об'єкта

Оператор матриці перетворення cm

1 0 0 1 50 700 cm — це матриця перетворення з 6 елементів [a b c d e f], що відповідає:

| a  b  0 |     | 1  0  0 |
| c  d  0 |  =  | 0  1  0 |
| e  f  1 |     | 50 700 1 |

Коли a=1, b=0, c=0, d=1, це чиста матриця зсуву, яка переміщує початок координат (тобто точку (0,0), де відбуваються малювання) до (50, 700). Якщо не зсунути, початок за замовчуванням знаходиться в нижньому лівому куті сторінки.

Оператори тексту

Використання pdftk для виправлення у відкритий PDF

У каталозі, де знаходиться hello-broken.pdf, виконайте:

pdftk hello-broken.pdf output hello.pdf

Відкрийте hello.pdf за допомогою будь-якого PDF читача, ви повинні побачити на сторінці "Hello, World!" (шрифт Times-Italic, 36pt, розташований у верхньому лівому куті сторінки).

Що pdftk допоміг вам завершити?

Чому потрібні xref / trailer / startxref?

Основна мета: випадковий доступ

Уявіть собі PDF на 500 сторінок, якщо немає xref, читачеві, щоб відобразити 450-у сторінку, потрібно буде розібратися з усіма попередніми 449 сторінками — це дуже повільно.

З xref читач може:

1. Спочатку прочитати startxref → знайти місце xref
2. Прочитати trailer → знайти кореневий об'єкт /Root
3. Від кореневого об'єкта слідувати за посиланнями → безпосередньо перейти до об'єкта 450-ї сторінки
4. За допомогою xref перевірити байтовий зсув цього об'єкта → безпосередньо перейти до нього для читання

Часова складність зменшується з O(n) до O(1).

Практика цієї статті

Рекомендується дійсно внести зміни до hello-broken.pdf, а потім знову виправити його за допомогою pdftk, спостерігаючи за результатом:

Порада: Координатна система PDF має початок у нижньому лівому куті сторінки, вісь Y спрямована вгору. (50, 700) означає відстань 50pt зліва, 700pt знизу.

Поширені запитання

Q: Чому використовуються вбудовані шрифти Type1, а не TrueType?

A: 14 стандартних шрифтів Type1 (Times, Helvetica, Courier тощо) є обов'язковими для вбудовування в PDF читачі, їх не потрібно вбудовувати у файли шрифтів, це найпростіше. У реальних сценаріях зазвичай потрібно вбудовувати шрифти для забезпечення узгодженості між платформами.

Q: Що означають ці числа в /MediaBox [0 0 612 792]?

A: Одиниця виміру — пункт (1 пункт = 1/72 дюйма). 612 × 792 пунктів = 8.5 × 11 дюймів = папір формату US Letter. A4 — це 595 × 842 пунктів.

Q: Що таке номер генерації (наприклад, 0 у 2 0 R)?

A: Використовується для інкрементного оновлення. Коли об'єкт змінюється, номер генерації збільшується на 1. У новостворених PDF всі об'єкти зазвичай мають номер генерації 0.

Анонс наступної статті

У частині 02 ми продовжимо використовувати "ручне написання потоку вмісту", додавши найосновніші операції з графічними шляхами:

• m (moveto), l (lineto): визначення шляху
• S (stroke): обводка
• re (rectangle), f (fill): малювання прямокутника та заповнення

Це дозволить вам на одній сторінці одночасно намалювати: текст заголовка + горизонтальну роздільну лінію + прямокутник, переходячи від "вміння писати" до "вміння малювати графіку".