今回はPDFファイルを一気に読み込みます。
一般的なPDFの読み込み方としては、以下の流れになります。
1. PDFヘッダー／フッターをチェック
2. クロスリファレンス情報を読み込む
3. クロスリファレンスに沿ってオブジェクトを読み込む
4. オブジェクト内容に沿って表示
しかしクロスリファレンスは表記形式が複数あり、きちんと作るとこれだけで日が暮れそうなので省略。
以下の流れで読むことにします。
1. PDFヘッダーチェック
2. PDFフッターチェック
3. クロスリファレンスがあることをチェック（内容は見ない）
4. PDFヘッダー直後のファイル位置にseek
5. seek位置から「xxx 0 obj」という行を順々に探し、あったらオブジェクトとして読み込み開始
6. オブジェクトにstreamがあった場合はそれを読み込む
7. endobjeまで読み込む
8. 5に戻る
オブジェクトは例えば以下のような形式で表現され、「<<」が複数あったり、streamとして付加データが存在することもあります。
streamの「/FlateDecode」指定は、圧縮されたstreamデータを示し、C#の場合はDeflateStreamクラスで解凍できます。
2 0 obj << /ProcSet [/PDF /Text /ImageB /ImageC /ImageI] /Font << /F1 14 0 R /F2 16 0 R>> /XObject << >> >> endobj 12 0 obj <</Type /Catalog /Pages 1 0 R /OpenAction [3 0 R /FitH null] /PageLayout /OneColumn>> endobj 20 0 obj <</Filter /FlateDecode /Length 701>> stream endstream xxxxx 圧縮されたバイナリデータ701bytes xxxxx endobj
最初に読み込むPDFファイルを準備します。
小説家になろうにある以下の小説をピックアップしました。
「その者。のちに・・・」
PDFダウンロード元： https://pdfnovels.net/n9442cw/
ダウンロードしたファイルはCドライブのルートに保存しておきます。
ちょうどこの文章を作成しているときに読んでいたものです。
小説家になろうで典型的な俺TUEEEファンタジーハーレム物です。珍しく異世界転生属性はなし。
ある意味展開がありふれているので安心して？読めました。
順番が逆ですが、form1.cs内に後で作るPDF読み込みクラスを呼び出す処理を追加。
■Form1.cs
using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Drawing;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using System.Windows.Forms;
namespace Pdf2Pdf
{
public partial class Form1 : Form
{
public Form1()
{
InitializeComponent();
//以下を追加
PDFTextReader pr = new PDFTextReader();
bool ret = pr.Read(@"c:\N9442CW.pdf");
}
}
}
そしてPDFにアクセスするクラスを作成します。
「プロジェクト」メニューかあら「クラスの追加」を選択し、「PDFTextReader.cs」というクラスを追加、以下のようにすれば終わりです。
難しい処理は特になく、ごりごり読むだけです。
using System;
using System.Collections.Generic;
using System.Diagnostics;
using System.IO;
using System.IO.Compression;
using System.Linq;
using System.Text;
using System.Text.RegularExpressions;
using System.Threading.Tasks;
namespace Pdf2Pdf
{
class PDFTextReader
{
void LogOut(string strText)
{
Debug.WriteLine(strText);
}
/// <summary>
/// PDFヘッダー
/// </summary>
public string strPDFHeader
{
get { return _strPDFHeader; }
}
string _strPDFHeader = "";
public bool Read(string strFile)
{
using (FileStream strm = new FileStream(strFile, FileMode.Open, FileAccess.Read))
{
return Read(strm);
}
}
public bool Read(Stream strm)
{
using (PDFRawReader br = new PDFRawReader(strm))
{
long nAfterHeaderPos;
//PDFヘッダーチェック
{
_strPDFHeader = br.ReadLine(false);
LogOut(_strPDFHeader);
if (_strPDFHeader.Substring(0, 7) != "%PDF-1.")
return false;
nAfterHeaderPos = br.BaseStream.Position; //PDFヘッダー直後の位置を保存
}
//PDFフッターチェック
{
strm.Seek(0, SeekOrigin.End);
string strHooter = br.ReadBackLine(false);
if (strHooter != "%%EOF")
return false;
}
//クロスリファレンス取得・・・はしない。startxref存在チェックだけ
{
//クロスリファレンス位置取得
string strXrefPos = br.ReadBackLine(true);
string strXrefHeader = br.ReadBackLine(true);
if (strXrefHeader != "startxref")
return false;
long nXrefPos = long.Parse(strXrefPos);
//クロスリファレンスまでシーク
strm.Seek(nXrefPos, SeekOrigin.Begin);
string strXrefStart = br.ReadLine(true);
if (strXrefStart == "xref")
{
//通常のクロスリファレンス
}
else if (strXrefStart.IndexOf(" 0 obj") > 0)
{
//オブジェクトに入ったクロスリファレンス
byte[] data;
string strAttribute;
bool ret = ReadObject(br, strXrefStart, out strAttribute, out data);
}
else
{
//未知のクロスリファレンス形式
return false;
}
}
//PDFヘッダー直後にシークしておく
br.BaseStream.Seek(nAfterHeaderPos, SeekOrigin.Begin);
while (true)
{
LogOut("");
if (strm.Position == strm.Length)
break;
//obj開始
string strObj;
{
strObj = br.ReadLine(true);
LogOut(strObj);
//「endobj」に続いて、次のobjの前にスペースだけの行があるpdfもある→xrefを参照せずに読もうとするのが悪い。本当はxref参照しないと駄目
if (strObj.IndexOf("obj") < 0)
continue;
//クロスリファレンス
if (strObj == "xref")
{
//セクションのあるxrefに未対応。この方法だとxref読み込み失敗することある
int nCount = 0;
string strSubsection = br.ReadLine(true);
{
Regex re = new Regex(@"\d+ (\d+)", RegexOptions.IgnoreCase);
Match m = re.Match(strSubsection);
if (m.Success)
nCount = int.Parse(m.Groups[1].Value);
}
for (int i = 0; i < nCount; i++)
{
string strXref = br.ReadLine(true);
}
continue;
}
//トレーラー
if (strObj == "trailer")
{
//トレーラーの情報は読み取らない
//トレーラーはPDF末尾に配置されるから、これで読み込み終わり
break;
}
}
//オブジェクトの読み込み
{
byte[] data;
string strAttribute;
bool ret = ReadObject(br, strObj, out strAttribute, out data);
if (ret && data != null && data.Length > 0)
{
//オブジェクトの処理
}
if (ret == false)
{
Debug.Assert(false);
}
}
}
}
return true;
}
/// <summary>
/// PDFのオブジェクト情報読み取り
/// "123 0 obj" ～ "endobj" まで読み取る
///
/// strObjectHeaderは "123 0 obj" というようなオブジェクト開始文字列
/// stream/endstream内の情報は解凍してpcbStreamで返す
/// 「<< >>」で囲まれていた属性部分のテキストはstrAttributeですべて返す
/// </summary>
bool ReadObject(PDFRawReader br, string strObjectHeader, out string strAttribute, out byte[] pcbStream)
{
string strLine = strObjectHeader;
pcbStream = null;
strAttribute = "";
LogOut(strLine);
if (strLine.IndexOf(" 0 obj") < 0)
return false;
long nStartPosition = br.BaseStream.Position;
//オブジェクトの属性読み取り
int nLength = 0;
bool bFlateDecode = false;
int nTagCount = 0;
while (true)
{
strLine = br.ReadLine(true);
LogOut(strLine);
int nFind = strLine.IndexOf("/Length ");
if (nFind >= 0)
{
Regex re = new Regex(@"/Length (\d+)", RegexOptions.IgnoreCase);
Match m = re.Match(strLine);
if (m.Success)
nLength = int.Parse(m.Groups[1].Value);
}
nFind = strLine.IndexOf("/FlateDecode");
if (nFind >= 0)
bFlateDecode = true;
//属性情報の始点（＜＜）をカウント
nFind = 0;
while (nFind >= 0)
{
nFind = strLine.IndexOf("<<", nFind);
if (nFind >= 0)
{
nTagCount++;
nFind += 2;
}
}
//属性情報の終点（＞＞）をカウント
nFind = 0;
while (true)
{
nFind = strLine.IndexOf(">>", nFind);
if (nFind < 0)
break;
nTagCount--;
nFind += 2;
//属性情報がまだあるか
if (nTagCount > 0)
continue;
//「＞＞」につづいて改行を挟まずに「stream」が開始することあるから、その場合はseek
if (nFind < strLine.Length)
br.BaseStream.Seek(-(strLine.Length - nFind + 2), SeekOrigin.Current);
//属性情報が終わった
break;
}
//属性情報が終わったかどうか
if (nTagCount == 0)
break;
}
// << >>で囲まれていた部分をすべて抜き出す
{
long nEndPosition = br.BaseStream.Position;
br.BaseStream.Seek(nStartPosition, SeekOrigin.Begin);
byte[] data = br.ReadBytes((int)(nEndPosition - nStartPosition));
strAttribute = Encoding.ASCII.GetString(data);
}
//コンテンツがあるなら読み込む
if (nLength > 0)
{
string strStart = br.ReadLine(true);
if (strStart != "stream")
{
Debug.Assert(false);
return false;
}
if (bFlateDecode)
{
//FlateDecodeヘッダー2バイト
br.ReadByte();
br.ReadByte();
nLength -= 2;
//FlateDecodeのコンテンツをすべて読み取る
byte[] data = br.ReadBytes(nLength);
if (data.Length != nLength)
return false;
//解凍
pcbStream = DecodeDeflate(data);
}
else
{
//streamコンテンツ読み込み
pcbStream = br.ReadBytes(nLength);
}
string strEnd;
strEnd = br.ReadLine(false); //streamデータ末尾の改行分を読む（改行コードは1or2bytes）
if (strEnd == "endstream")
{
//ここに入ることは普通はないはず。入ったらstream末尾に改行コードなくendstreamしていたpdf
}
else
{
//endstreamの読み込み
strEnd = br.ReadLine(true);
if (strEnd != "endstream")
{
Debug.Assert(false);
return false;
}
}
}
{
string strObjEnd = br.ReadLine(true);
if (strObjEnd != "endobj")
{
Debug.Assert(false);
return false;
}
}
return true;
}
/// <summary>
/// Deflateをデコードする
/// </summary>
byte[] DecodeDeflate(byte[] data)
{
byte[] ret = new byte[0];
byte[] buffer = new byte[1024];
using (MemoryStream ms = new MemoryStream(data))
using (DeflateStream ds = new DeflateStream(ms, CompressionMode.Decompress))
{
while (true)
{
int nRead = ds.Read(buffer, 0, buffer.Length);
if (nRead <= 0)
break;
int nSize = ret.Length;
Array.Resize(ref ret, nSize + nRead);
Buffer.BlockCopy(buffer, 0, ret, nSize, nRead);
}
}
return ret;
}
}
}
実行するとVisual Studioの出力ウインドウに以下のような形式でPDFの内容が出力されます。
%PDF-1.3 3 0 obj 3 0 obj <</Type /Page /Parent 1 0 R /Resources 2 0 R /Contents 4 0 R>> 4 0 obj 4 0 obj <</Filter /FlateDecode /Length 236>> 5 0 obj 5 0 obj <</Type /Page /Parent 1 0 R /Resources 2 0 R /Contents 6 0 R>>
