PDFファイルの末尾には決まった構造があります。これを確認することで、ファイルが途中で切れていないかを簡単にチェックできます。
必要最低限の構造だけを説明します。これだけではPDFの仕様を理解するには不足ですが、取っ掛かりにはなるかもしれません。
構造
PDFファイルの基本的な部分はテキストで記述されます。
※ ストリームという構造があり、その中にバイナリが直接埋め込まれます。今回の範囲を超えるため詳細は省略します。
最低限の構造を持った白紙のPDFファイルを示します。テキストエディタで打ち込んで改行コードをCRLFで保存すれば、PDFファイルとして開けます。
blank.pdf
%PDF-1.2
1 0 obj <</Type/Catalog/Pages 2 0 R>> endobj
2 0 obj <</Type/Pages/Count 1/Kids [3 0 R]>> endobj
3 0 obj <</Type/Page/Parent 2 0 R>> endobj
xref
0 4
0000000000 65535 f
0000000010 00000 n
0000000056 00000 n
0000000109 00000 n
trailer <</Root 1 0 R/Size 4>>
startxref
153
%%EOF
次の構造になっていることが分かります。
- シグネチャ
%PDF-1.2 - オブジェクトの羅列
番号 0 obj ... endobj - クロスリファレンス
xref - トレイラー
trailer - クロスリファレンスのオフセット
startxref - 番兵
%%EOF
xref と trailer はオブジェクトの1つとして埋め込まれている場合がありますが、startxref と %%EOF は必ず末尾に存在します。
※ 編集時に差分が追記されることがあり、%%EOF などがファイルの途中にも存在することがあります。今回の範囲を超えるため詳細は省略します。
チェック
ファイルの末尾の startxref を確認することで、ファイルが途中で切れていないかを簡単にチェックできます。
F# で startxref の値を取得する例を示します。
open System
open System.IO
open System.Text
let readStartXref f =
use fs = new FileStream(f, FileMode.Open)
let bytes = Array.zeroCreate<byte> 64
let pos = max 0L (fs.Length - int64 bytes.Length)
fs.Position <- pos
let size = fs.Read(bytes, 0, bytes.Length)
let text = Encoding.ASCII.GetString(bytes, 0, size)
let p = text.LastIndexOf "startxref" |> int64
if p < 0L then p else
fs.Position <- pos + p
use sr = new StreamReader(fs, Encoding.ASCII)
try
ignore <| sr.ReadLine()
Int64.Parse(sr.ReadLine())
with _ -> -1L
とりあえずファイルが途中で切れていないかを確認するだけなら、これで用は足ります。
しかし正確には startxref のオフセットを取得するだけでは不足で、
- オフセットが正常な範囲内か
- 指す先にクロスリファレンスが存在しているか
- クロスリファレンスが正常な形式か
などをチェックする必要があります。そのためにはクロスリファレンスのパーサーを実装する必要があります。
※ クロスリファレンスがオブジェクトに埋め込まれている場合、圧縮データを展開する必要があります。今回の範囲を超えるため詳細は省略します。
GUI
手軽にチェックするための簡易GUIです。