8

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 Web 优化”，它重新排列 PDF 以便可以尽快加载第 1 页。以这种方式提供的 PDF 显示得更快，因为 PDF 查看器不必等待整个 PDF 被下载。

更新：根据下面的答案，我现在意识到线性化 PDF 不仅重新排列，而且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。如果我的客户可以为每个搜索结果下载第 1 页，并且只下载第 1 页，那就太棒了。当用户选择其中之一时，可以立即显示第 1 页，其余的可以在后台下载。

我正在寻找一种可用于服务器端（Windows 或 Linux）来预处理我的 PDF 的通用解决方案，以便我可以分别存储和提供第 1 页和其余部分。真的，我只需要知道 PDF 中正确显示第 1 页所需的最后一个字节的位置。如果我能得到这个数字，那么其他所有内容都将随之而来。

我浏览了PDF 的 ISO 规范，但文件格式似乎太复杂，无法简单地解析出第 1 页的结束位置。另一方面，线性化 PDF 的工具必须几乎肯定知道第 1 页的结束位置。

我对将 PDF 分段提供给客户的复杂性不感兴趣；这部分已经解决，因为客户端是一个应用程序，而不是浏览器，我可以完全控制。

我也不认为它会帮助我使用AP Split之类的工具将 PDF 拆分为“第 1 页”PDF 和完整的 PDF。如果我这样做了，那么我将无法欺骗客户查看者认为它是单个 PDF 文件，并且当我将“第 1 页”PDF 替换为完整 PDF 时会出现明显的闪烁。

任何帮助或指针表示赞赏。

解决方案（基于以下 Bobrovsky 的回答）：

正确线性化的 PDF 以标题行（在 PDF 规范的第 7.5.2 节中定义）开始，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
    %¤¤¤¤

此标头后紧跟线性化字典（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，第一页的结尾在字节偏移 5437 处。这个数据结构非常简单，可以使用几乎任何语言进行解析。“43 0 obj”这个东西给出了这个字典的一个 ID (43) 和一个代号（对于线性化文件总是零）。字典本身被 << 和 >> 包围，它们之间是键值对（键有像“/E”这样的斜线）。

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);
}

请注意 Bobrovsky 的警告，即文件可能包含线性化字典，但可能未正确线性化（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。

4

1 回答 1

3

线性化字典应该可以帮助你。

包含参数所需的字典E是

第一页结尾（示例 F.1 中第 6 部分的结尾）相对于文件开头的偏移量。

请注意，并非每个带有线性化字典的文件实际上都是线性化的（损坏的生成器、线性化后的变化等）。因此，如果您的文件未被验证为正确线性化，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，请查看 PDF 参考中的F.2.2 线性化参数字典（第 2 部分）。

于 2012-04-11T08:15:12.033 回答