PDFファイル解析にあたって２ PDF.jsの実装

書いたこと

PDFファイルの解析にあたって、PDF.jsの実装をまとめる。

PDF.jsの解析手順

1. streamオブジェクトの生成
2. ヘッダーを解析
3. startxrefの値の読み取り
4. 相互参照テーブルの取得
5. カタログ辞書の取得

0. streamオブジェクトの生成

物理的なPDFファイルデータはstreamオブジェクトとして抽象化されている。
これによってデータが必要になった際にファイルデータを随時取得が行えるようになっている。

1-4. ドキュメントのグラフ階層の生成

src/core/worker.js

async function loadDocument(recoveryMode) {
  await pdfManager.ensureDoc("checkHeader");            // 1. ヘッダー情報の取得
  await pdfManager.ensureDoc("parseStartXRef");         // 2. startxrefの解析
  await pdfManager.ensureDoc("parse", [recoveryMode]);  // 3-4. 相互参照テーブルとカタログ情報の取得

  if (!recoveryMode) {
	// Check that at least the first page can be successfully loaded,
	// since otherwise the XRef table is definitely not valid.
	await pdfManager.ensureDoc("checkFirstPage");
  }

  const [numPages, fingerprint] = await Promise.all([
	pdfManager.ensureDoc("numPages"),
	pdfManager.ensureDoc("fingerprint"),
  ]);
  return { numPages, fingerprint };
}

PDF.jsの構文解析と字句解析

<<  /Type /Annot
	/Subtype /Link
	/F 4
	/Border [0 0 0]
	/Rect [255.99998 189.7099 467.49997 206.2099]
	/A <</Type /Action
		/S /URI
		/URI (https://doc.rust-lang.org/stable/book/)
	    >>
>>

字句解析

字句解析にかけることによって以下のトークン列に変換する

src/core/perser.js

  getObj() {

    // Start reading a token.
    switch (ch | 0) {
      case 0x30: // '0'
      case 0x31: // '1'
      case 0x32: // '2'
      case 0x33: // '3'
      case 0x34: // '4'
      case 0x35: // '5'
      case 0x36: // '6'
      case 0x37: // '7'
      case 0x38: // '8'
      case 0x39: // '9'
      case 0x2b: // '+'
      case 0x2d: // '-'
      case 0x2e: // '.'
        return this.getNumber();  // 数字トークンを取得
      case 0x28: // '('
        return this.getString();  // 文字列トークンを取得
      case 0x2f: // '/'
        return this.getName();    // 名前トークンを取得
      // array punctuation
      case 0x5b: // '[
        this.nextChar();
        return Cmd.get("[");      // Cmd("[") トークンを取得
      case 0x5d: // ']'

構文解析

トークン列からプログラミング言語の型に変換する

1. << から辞書を生成する
2. >> までキーと値を交互に設定していく

2を繰り返すことで、トークン列から辞書インスタンスを得ることが出来る。

構文解析結果.js

{ 
	Name("Type"): Name("Annotate"),
	Name("SubType"): Name("Link"),
	Name("F"): 4,
	Name("Border"): [0, 0, 0],
	Name("Rect"): [255.99998, 189.7099, 467.49997, 206.2099],
	Name("A"): {
			Name("Type"): Name("Action"),
			Name("S"):	Name("URI"),
			Name("URI"): "https://doc.rust-lang.org/stable/book/",
		}
}