PDF 構文　ファイル解析手順

PDF構文 (PDF Syntax ISO 32000-1)

PDF1.7はISO技術委員会によって2008年1月に“ISO 32000-1規格”として承認され、 2017年7月にはPDF2.0の規格ISO3200-2が承認され、2020年12月にはこの規格は第二稿になりました。
ここでは32000-2規格で説明されているPDF1.7の構文(構造)について説明しています。
PDFファイルは8-bitデータを単位として構成されていて一般の文書編集アプリケーションで開くことができその内容を読取ることができます。ただし、バイナリのデータもそのまま(表示可能な文字に変換されずに)格納されていますので文字化けしているように表示されますが、これはPDFの仕様です。
ここではそのデータの一部を読み解くことでPDF文書へのデータ追加などPDF再構成の意味を説明しPDF-ToolsでのPDFデータ解析や編集をより詳細にできるようにします。

>>>「PDF ファイル構造 -概要-」

０．PDFファイル解析手順

PDFデータは１バイト（８ビット）のシーケンスで構成されています。このシーケンスを複数のASCII文字で構成されたバイトデータの組み合わせ(キーワード)として解析します。
なお解析手順はHelloWorld.pdfを使って説明します。

このPDFはダウンロード、または表示できます。
ダウンロードしたPDF文書を通常のエディタで開くとその内容を見ることができます。

PDF構造の概要は、こちらを参照してください。

０.１ PDFファイルを通常のエディターで開く

PDFデータを通常のエディターで開くとHelloWorld.pdfデータのように表示されます。

ただしPDFデータのバージョンなどによっては、クロスリファレンステーブルが圧縮データ(クロスリファレンスストリーム)で格納されていて文字化けしたように見える場合がありますので注意してください。

０.２ PDFファイル終端を探す

PDFファイルは以下の「%%EOF」の行で終端されます。

%%EOF

ただし、この行以降に文字などのデータがあっても無視される仕様ですので「%%EOF」の行は必ずしもファイルの最後ではありません。

０.３クロスリファレンステーブルへのオフセット値

「%%EOF」行の直前２行には以下のように「startxref」キーワードが記載された行と数字だけが記された行が必ずあります。

startxref
609
%%EOF

この数値はファイルの先頭からのバイト数を表していて、その位置にクロスリファレンスを表す「xref」キーワードが記載されていることを示しています。
ただし、PDF 1.5以上でクロスリファレンスストリームを含む場合はこの限りではありません。

PDF Imager-LP（無償版）でクロスリファレンステーブルの位置（オフセット）を表示するソースコード

C/C++

Python

//初期化
MlpInitialize("0-032E-E03H5EW76R15");

//オープン
if (0 <= MlpOpenDoc("HelloWorld.pdf", "", ""))
{
    //Primitiveインターフェース
    PRIMITIVE_HANDLE h = MlpGetPrimitiveInterface();

    //クロスリファレンステーブルの位置（オフセット）
    printf("startxref\n%d\n%%%%EOF\n", PrmGetXrefOffset(h));

    //クローズ
    MlpCloseDoc();
}

//後始末
MlpUninitialize();

C/C++

Python

using (var mlp = new PdfImager()){
    //ライセンスキー
    mlp.Initialize("0-032E-E03H5EW76R15");

    //オープン
    if (0 <= mlp.OpenDoc("HelloWorld.pdf"))
    {
        //Primitiveインターフェース
        PrimitiveInterface prm = mlp.GetPrimitiveInterface();

        //クロスリファレンステーブルの位置（オフセット）
        Console.WriteLine("startxref\n{0}\n%%EOF", prm.GetXrefOffset());

        //クローズ
        mlp.CloseDoc();
    }
}

全体のソースコード

C/C++

Python

import PdfImagerLP

#インスタンス生成
mlp = PdfImagerLP.Mlp();

#初期化
mlp = PdfImagerLP.Mlp()
if mlp.Initialize("0-032E-E03H5EW76R15") !=0:
    print("Bad License Key.")
    exit()

#オープン
if 0 <= mlp.OpenDoc("HelloWorld.pdf"):

    #Primitiveインターフェース
    prm = mlp.GetPrimitiveInterface();

    #クロスリファレンステーブルの位置（オフセット）
    print('startxref', prm.GetXrefOffset())

    #クローズ
    mlp.CloseDoc()

#後始末
mlp.Uninitialize()

全体のソースコード

０.４トレイラーディクショナリ

「startxref」行の前には以下のように「trailer」キーワードが記載された行に続いて、ディクショナリ(「<<」と「>>」で囲まれキーと値のペアが複数個内包されたもの)があります。
PDFファイル終端の一般形は以下のとおりです。

trailer
  << key₁ value₁
     key₂ value₂
     ...
     key_n value_n
  >>
startxref
Byte_offset_of_last_cross-reference_section
%%EOF

以下は、その具体例です。見やすいように改行してあります。

trailer
  <<
    /Info 2 0 R
    /Root 1 0 R
    /Size 8
    /ID [<1775615b6d180ff72f4473d56aaa72bf><a5902498ce444a8aa67f819e1023432d>]
  >>
startxref
609
%%EOF

このtrailerディクショナリ(詳細は「2.4トレイラー(trailer)」を参照してください)にはPDFを構成するオブジェクトツリーのルートやPDFの概要が記されたオブジェクトへの参照が示されています。
PDFデータを解析する場合はまずルートオブジェクトを探します。
このPDF文書の場合は、Rootキーとペアとなる値「1 0 R」がルートオブジェクトです。

PDF Imager-LP（無償版）でトレイラーを表示するソースコード

C/C++

Python

#define PRETTY 1    //改行して見易く

//初期化
MlpInitialize("0-032E-E03H5EW76R15");

//オープン
if (0 <= MlpOpenDoc("HelloWorld.pdf", "", "")) {
    //Primitiveインターフェース
    PRIMITIVE_HANDLE h = MlpGetPrimitiveInterface();

    //トレイラー
    char *data
    PrmStringTrailer(h, PRETTY, &data);
    printf("%s\n", data);

    //クローズ
    MlpCloseDoc();
}

//後始末
MlpUninitialize();

C/C++

Python

using (var mlp = new PdfImager()){
    const bool PRETTY = true;  //改行して見易く

    //ライセンスキー
    mlp.Initialize("0-032E-E03H5EW76R15");

    //オープン
    if (0 <= mlp.OpenDoc("HelloWorld.pdf"))
    {
        //Primitiveインターフェース
        PrimitiveInterface prm = mlp.GetPrimitiveInterface();

        //トレイラー
        Console.WriteLine(prm.StringTrailer(PRETTY));

        //クローズ
        mlp.CloseDoc();
    }
}

全体のソースコード

C/C++

Python

import PdfImagerLP

#インスタンス生成
mlp = PdfImagerLP.Mlp();

#初期化
res = mlp.Initialize("0-032E-E03H5EW76R15")

#オープン
if 0 <= mlp.OpenDoc("HelloWorld.pdf"):

    #Primitiveインターフェース
    prm = mlp.GetPrimitiveInterface();

    #トレイラー
    print(prm.StringTrailer(True))

    #クローズ
    mlp.CloseDoc()

#後始末
mlp.Uninitialize()

全体のソースコード

０.５ルートオブジェクト

ルート（Catalog）オブジェクトを探すにはTrailerの「/Root」キーからたどります。
HelloWorld.pdfの場合は番号１のオブジェクトがそれにあたります。以下がそのオブジェクトです、見やすいように改行してあります。

1 0 obj
  <<
    /Pages 3 0 R
    /Type /Catalog
  >>
endobj

このディクショナリの「/Pages」で示されたオブジェクト(複数の場合があります)からPDF各ページのコンテンツ(内容)が記載されたオブジェクトをたどれます。

PDF Imager-LP（無償版）でルート(Catalog) オブジェクトを表示するソースコード

C/C++

Python

#define PRETTY 1    //改行して見易く

//初期化
MlpInitialize("0-032E-E03H5EW76R15");

//オープン
if (0 <= MlpOpenDoc("HelloWorld.pdf", "", ""))
{
    //Primitiveインターフェース
    PRIMITIVE_HANDLE h = MlpGetPrimitiveInterface();

    //ルート(Catalog) オブジェクト
    char *data;
    PrmStringCatalog(h, PRETTY, ∓data);
    printf("%s\n", data);

    //クローズ
    MlpCloseDoc();
}

//後始末
MlpUninitialize();

C/C++

Python

using (var mlp = new PdfImager()){
    const bool PRETTY = true;  //改行して見易く

    //ライセンスキー
    mlp.Initialize("0-032E-E03H5EW76R15");

    //オープン
    if (0 <= mlp.OpenDoc("HelloWorld.pdf"))
    {

        // Primitive インターフェース
        PrimitiveInterface prm = mlp.GetPrimitiveInterface();

        //ルート(Catalog) オブジェクト
        Console.WriteLine("{0}", prm.StringCatalog(PRETTY));

        //クローズ
        mlp.CloseDoc();
    }
}

全体のソースコード

C/C++

Python

import PdfImagerLP

#インスタンス生成
mlp = PdfImagerLP.Mlp();

#初期化
res = mlp.Initialize("0-032E-E03H5EW76R15")
if res!=0:
    print("Bad License Key.")
    exit()

#オープン
if 0 <= mlp.OpenDoc("HelloWorld.pdf"):

    #Primitiveインターフェース
    prm = mlp.GetPrimitiveInterface();

    #ルート(Catalog) オブジェクト
    print(prm.StringCatalog(True))

    #クローズ
    mlp.CloseDoc()

#後始末
mlp.Uninitialize()

全体のソースコード

０.６ページ・ツリーオブジェクト

HelloWorld.pdfのルートオブジェクトからたどったページツリーオブジェクトは以下のとおりです。見やすいように改行してあります。

3 0 obj
  <<
    /Count 1
    /Kids [ 4 0 R ]
    /Type /Pages
  >>
endobj

この記述からこのPDF文書は全１ページ("/Count")で構成されていて、そのページの情報("/Kids")が４番目のオブジェクトに記載されていることがわかります。

PDF Imager-LP（無償版）でPageTreeディクショナリーを表示するソースコード

C/C++

Python

// 初期化
MlpInitialize("0-032E-E03H5EW76R15");

// オープン
if (0 <= MlpOpenDoc("HelloWorld.pdf", "", "") {
    // Primitive インターフェース
    PRIMITIVE_HANDLE h = MlpGetPrimitiveInterface();

    // ページ・ツリー
    PrmShowPageTree(h, TRUE);

    // クローズ
    PrmCloseInterface(h);
    MlpCloseDoc();
}

// 後始末
MlpUninitialize();

C/C++

Python

const bool PRETTY = true;   //改行して見易く

using (var mlp = new PdfImager()){
    // ライセンスキー
    mlp.Initialize("0-032E-E03H5EW76R15");

    // オープン
    if(0 <= mlp.OpenDoc("HelloWorld.pdf"))
    {
        // Primitive インターフェース
        PrimitiveInterface prm = mlp.GetPrimitiveInterface();

        // ページ・ツリー
        Prm.ShowPageTree(true);

        // クローズ
        prm.CloseInterface();
        mlp.CloseDoc();
    }
}

全体のソースコード

C/C++

Python

import PdfImagerLP

#インスタンス生成
mlp = PdfImagerLP.Mlp();

# ライセンスキー
mlp.Initialize("0-032E-E03H5EW76R15")

# オープン
if 0 <= mlp.OpenDoc("HelloWorld.pdf"):

    # Primitiveインターフェース
    prm = mlp.GetPrimitiveInterface();

    # ページ・ツリー
    prm.ShowPageTree(True)

    # クローズ
    prm.CloseInterface()
    mlp.CloseDoc()

# 後始末
mlp.Uninitialize()

全体のソースコード

０.７ページオブジェクト

HelloWorld.pdfのページツリーからたどったページオブジェクトは以下のとおりです。見やすいように改行してあります。

4 0 obj
  <<
    /Contents 5 0 R
    /MediaBox [ 0 0 595 842 ]
    /Parent 3 0 R
    /Resources 6 0 R
    /Type /Page
  >>
endobj

ここから、このページの大きさ("/MediaBox")は幅が595高さが842であることがわかります。
さらにページの内容("/Contents")が５番目のオブジェクトに記載されていることがわかります。

PDF Imager-LP（無償版）でPageオブジェクトとContentsオブジェクトを表示するソースコード

C/C++

Python

// 初期化
MlpInitializeA("0-032E-E03H5EW76R15");

// オープン
if (0 <= MlpOpenDocA("HelloWorld.pdf", "", "")) {

    // Primitive インターフェース
    PRIMITIVE_HANDLE h = MlpGetPrimitiveInterface();

    // ページ
    PrmObjectHandle pageh = PrmObjectHandlePage(h, 1);  //先頭ページ
    PrmShowObjectHandle(h, pg, TRUE, 0, TRUE);

    // クローズ
    PrmCloseInterface(h);
    MlpCloseDoc();
}

// 後始末
MlpUninitialize();
}

C/C++

Python

using (var mlp = new PdfImager()) {
    // ライセンスキー
    mlp.Initialize("0-032E-E03H5EW76R15");

    // オープン
    if (0 <= mlp.OpenDoc("HelloWorld.pdf"))
    {

        // Primitive インターフェース
        PrimitiveInterface prm = mlp.GetPrimitiveInterface();

        // ページ
        PrmObjectHandle pageh = prm.ObjectHandlePage(1);  //先頭ページ
        prm.ShowObjectHandle(pg, true, false, true);

        // クローズ
        prm.CloseInterface();
        mlp.CloseDoc();
    }
}

全体のソースコード

C/C++

Python

import PdfImagerLP

# 初期化
mlp = PdfImagerLP.Mlp()
mlp.Initialize("0-032E-E03H5EW76R15")

if 0 <= mlp.OpenDoc("HelloWorld.pdf"):

    # Primitiveインターフェース
    prm = mlp.GetPrimitiveInterface();

    # ページ
    pageh = prm.ObjectHandlePage()
    prm.ShowObjectHandle(t, resolve=True, pretty=True)

    # クローズ
    prm.CloseInterface()
    mlp.CloseDoc()

# 終了
mlp.Uninitialize()

全体のソースコード

０.８ページコンテンツオブジェクト

HelloWorld.pdfのページのページコンテンツオブジェクトは以下のとおりです。

5 0 obj
<< /Length 75 >>
stream
BT
1 0 0 1 100 600 Tm
/SF1 50 Tf
0 Ts 0 Tr 0 Tc 0 Tw
(Hello, World.) Tj
ET
endstream
endobj

ここにあるデータは圧縮されていないので、その内容を見ることができます。
この描画コマンドは"Hello, World."という文字列を指定のフォント(7 0 objで指定されたHelvetica)と大きさ(50ポイント)で指定の位置に描画します。

PDF Imager-LP（無償版）でページコンテンツを表示するソースコード

C/C++

Python

// 初期化
MlpInitializeA("0-032E-E03H5EW76R15");

// オープン
if (0 <= MlpOpenDocA("HelloWorld.pdf", "", "")) {

    // Primitive インターフェース
    PRIMITIVE_HANDLE h = MlpGetPrimitiveInterface();

    // ページ
    PrmObjectHandle pageh = PrmObjectHandlePage(h, 1);

    // ページコンテンツ
    PrmObjectHandle cont = PrmObjectHandleDictionaryByString(h, pageh, "Contents");
    PrmShowObjectHandle(h, cont, TRUE, TRUE, TRUE);

    // クローズ
    PrmCloseInterface
    MlpCloseDoc();
}

// 後始末
MlpUninitialize();

C/C++

Python

using (var mlp = new PdfImager()){

    // ライセンスキー
    mlp.Initialize("0-032E-E03H5EW76R15");

    // オープン
    if (0 <= mlp.OpenDoc("HelloWorld.pdf"))
    {
        // Primitive インターフェース
        PrimitiveInterface prm = mlp.GetPrimitiveInterface();

        // ページ
        PrmObjectHandle pageh = prm.ObjectHandlePage();

        // ページコンテンツ
        PrmObjectHandle cont = prm.ObjectHandleDictionaryByString(pageh, "Contents");
        prm.ShowObjectHandle(pg, true, true, true);

        // クローズ
        mlp.CloseInterface();
        mlp.CloseDoc();
    }
}

全体のソースコード

C/C++

Python

from PdfImagerLP import Mlp

mlp = Mlp()
if mlp.Initialize("0-032E-E03H5EW76R15") != 0:
    print("Bad License Key.")
    exit()

if 0 <= mlp.OpenDoc("HelloWorld.pdf"):
    # Primitiveインターフェース
    prm = mlp.GetPrimitiveInterface();

    # ページ
    page = prm.ObjectHandlePage()

    # ページコンテンツ
    contentsh = prm.ObjectHandleDictionaryByString(pg, "Contents")
    prm.ShowObjectHandle(contentsh, True, True, True)

#クローズ
prm.CloseInterface()
mlp.CloseDoc()

#後始末
mlp.Uninitialize()

全体のソースコード

>>>「PDF 構造 -概要-」

ご質問・お問い合わせ

　メールで support@TrustSS.co.jp 宛てに、または質問のページからお送りいただくようお願いします。
ご要望も受け付けております。

PDF 構文　ファイル解析手順

PDF構文 (PDF Syntax ISO 32000-1)

０．PDFファイル解析手順

０.１ PDFファイルを通常のエディターで開く

０.２ PDFファイル終端を探す

０.３クロスリファレンステーブルへのオフセット値

０.４トレイラーディクショナリ

０.５ルートオブジェクト

０.６ページ・ツリーオブジェクト

０.７ページオブジェクト

０.８ページコンテンツオブジェクト

ご質問・お問い合わせ

PDF Toolsライト

PDF 構文解説

PDF Tools製品概要

	電話：03-5316-3375 FAX：03-5316-3376
電話：03-5316-3375　FAX：03-5316-3376

PDF 構文 ファイル 解析手順

PDF構文 (PDF Syntax ISO 32000-1)

０．PDFファイル 解析手順

０.１ PDFファイルを通常のエディターで開く

０.２ PDFファイル終端を探す

０.３ クロスリファレンス テーブルへのオフセット値

０.４ トレイラー ディクショナリ

０.５ ルート オブジェクト

０.６ ページ・ツリー オブジェクト

０.７ ページ オブジェクト

０.８ ページコンテンツ オブジェクト

ご質問 ・ お問い合わせ

PDF Toolsライト

PDF 構文解説

PDF Tools製品概要

PDF 構文　ファイル解析手順

０．PDFファイル解析手順

０.３クロスリファレンステーブルへのオフセット値

０.４トレイラーディクショナリ

０.５ルートオブジェクト

０.６ページ・ツリーオブジェクト

０.７ページオブジェクト

０.８ページコンテンツオブジェクト

ご質問・お問い合わせ