如何确定线性化PDF文件中第1页的范围(以字节为单位)？

Question

我知道我可以"线性化"PDF文件,例如使用Acrobat SDK或使用商业工具.这也称为"针对网络优化",它重新排列PDF,以便第1页可以尽快加载.以这种方式提供的PDF显示得更快,因为PDF查看器不必等待下载整个PDF.

更新:基于下面的答案,我现在意识到线性化的PDF不仅仅是重新排列,还包含有关其自身结构的元数据,以"线性化字典"的形式.

我有一个应用程序,我想预取几个PDF(查询的结果),以期用户希望看到其中一个.如果我的客户端可以为每个搜索结果下载第1页,只有第1页,那就太棒了.当用户选择其中一个时,可以立即显示第1页,其余部分可以在后台下载.

我正在寻找可以用于服务器端(Windows或Linux)来预处理我的PDF的通用解决方案,这样我就可以分别存储和提供第1页和其余部分.实际上,我需要知道的是PDF中的哪一个是正确显示第1页所需的最后一个字节.如果我可以有这个数字,则所有其他内容如下.

我浏览了PDF的ISO规范,但文件格式似乎太复杂,我只需解析第1页结束的位置.另一方面,线性化PDF的工具几乎肯定知道第1页的结束位置.

我对客户提供PDF文件的复杂性并不感兴趣; 这部分已经解决,因为客户端是一个应用程序,而不是一个浏览器,我完全控制.

我也认为它不会帮助我使用AP拆分工具将PDF 拆分为"第1页"PDF和完整的PDF.如果我这样做,那么我将无法欺骗客户端查看器以为它是单个PDF文件,并且当我用完整的PDF替换"第1页"PDF时会出现明显的闪烁.

任何帮助或指针赞赏.

解决方案(基于Bobrovsky的答案):

正确线性化的PDF以标题行开头(在PDF规范的7.5.2节中定义),例如"%PDF-1.7",后跟至少四个二进制字符的注释行(定义为128或更高的字节值) .例如:

    %PDF-1.7
    %¤¤¤¤

此标题后面紧跟着线性化字典(在PDF规范的附录F中定义).一个例子:

    43 0 obj
    << /Linearized 1.0 % Version
     /L 54567   % File length
     /H [475 598] % Primary hint stream offset and length (part 5)
     /O 45      % Object number of first page’s page object (part 6)
     /E 5437    % Offset of end of first page
     /N 11      % Number of pages in document
     /T 52786 % Offset of first entry in main cross-reference table (part 11)
    >>
    endobj

在这个例子中,第一页的末尾是字节偏移5437.这个数据结构很简单,可以使用几乎任何语言进行解析."43 0 obj"事物给出了该字典(43)的ID和世代号(线性化文件总是为零).字典本身被<<和>>包围,其间是键值对(键有斜杠,如"/ E").

这是一个使用正则表达式查找相关数字的C#方法:

public int GetPageOneLength(byte[] data)
{
  // According to ISO PDF spec: "The linearization parameter dictionary shall be entirely contained within the first 1024 bytes of the PDF file" (p. 679)
  string preamble = new string(ASCIIEncoding.ASCII.GetChars(data, 0, 1024));    // Note that the binary section on line 2 of the header will be entirely converted to question martks ('?')
  var match = Regex.Match(preamble, @"<<\w*/Linearized.+/E\s+(?<offset>\d+).+>>");
  if (!match.Success) throw new InvalidDataException("PDF does not have a proper linearization dictionary");
  return int.Parse(match.Groups["offset"].Value);
}

注意Bobrovsky警告说文件可能包含线性化字典,但可能没有正确线性化(可能是因为增量编辑？).就我而言,这不是问题,因为我将自己线性化所有PDF.

Answer 1

线性化字典应该可以帮助你。

字典需要包含的E参数是

第一页末尾（示例 F.1 中第 6 部分的末尾）相对于文件开头的偏移量。

请注意，并非每个具有线性化字典的文件实际上都是线性化的（生成器损坏、线性化后的更改等）。因此，如果您的文件未经过验证是否已正确线性化，您可能无法使用所描述的方法。

有关线性化字典的更多信息，请参阅PDF 参考中的F.2.2 线性化参数字典（第 2 部分） 。