by ccckmit

PDF 的核心是 Page Description Language，這是一個以樹狀結構為主的語法，樹中節點採用類似物件導向的設計，因此稱為 obj，這些結構的層次大致如下：

Catalog Pages Page Resources Font Subtype Name BaseFont Encoding ToUnicode Contents [Stream]

上述結構中的 page 代表的的是 PDF 文件中的一個頁面，contents 代表頁面中的內容，其中的 stream 記載了每個頁面中的文字、影像等資訊，以及這些物件的座標轉換指令，這些指令包含座標定位、物件旋轉、放大縮小等等與排版有關的轉換。

許多的 page 頁面會形成頁面集合 pages，而所有的頁面集合會形成目錄 catalog， Catalog 是整棵樹的根節點，要對 PDF 檔案解碼，就必須先找到這個節點。

找到 catalog 之後，就可以利用 pages 資訊找到所有頁面，然後利用 page 中的 font 資訊對 contents 進行解碼，font 中的Encoding 資訊可用來將 stream 中的文字代號轉換為 PDF 的標準內碼 cid (Character identity)，然後再利用 ToUnicode 中的資訊將 cid 轉換為 Unicode 編碼，如此即可抽取出 PDF 檔案中的文字。

雖然、上述程序說起來並不難，但是，PDF 的設計卻很複雜，例如：PDF 的繁體中文編碼，就有 Identity-H、Identity-V、B5pc-H、B5pc-V、ETen-B5-H、ETen-B5-V、ETenms-B5-H、ETenms-B5-V、ETHK-B5-H、ETHK-B5-V 等字集，而且還可以將 CMap 直接內嵌在 PDF 檔案中成為一個物件，而不需要遵照任何一種編碼法，這些都增加了解碼的困難度。

更複雜的是、Stream 的內容通常是壓縮過的，其中最常用的是 Inflate 壓縮法，也就市 zip 檔案中所用的壓縮法，因此、在解開 Stream 之前，必須先檢視是否被壓縮過，若有、則必須先解壓縮才能進行解碼。

另一個難以處理的問題是，PDF 中的物件並非以樹狀的層次結構直接儲存，而是以類似超連結的方式所形的樹狀結構，如何連結並沒有限制，因此、常常會在連了四到五層後才能找到所要的節點，這種設計加深了程式的複雜性。

為了說明 PDF 的實際結構，以下我們用一個簡單的 PDF 檔案進行說明：

%PDF?1.4 1 0 obj << /Type /Catalog /Outlines 2 0 R /Pages 3 0 R >> endobj 2 0 obj << /Type /Outlines /Count 0 >> endobj 3 0 obj << /Type /Pages /Kids [4 0 R] /Count 1 >>4 0 obj << /Type /Page /Parent 3 0 R /MediaBox [0 0 612 792] /Contents 5 0 R /Resources << /ProcSet 6 0 R /Font << /F1 7 0 R >> >> >> endobj 5 0 obj << /Length 73 >> stream BT /F1 24 Tf 100 100 Td <bd75a457add3a448a4c6b0d1a6d2a4e5c46dbadeb27aa874b2ce> Tj ET endstream endobj 6 0 obj [/PDF /Text] endobj 7 0 obj << /Type /Font /Subtype /Type0 /BaseFont /#bc#d0#b7#a2#c5#e9,Bold /Encoding /ETenms-B5-H >> endobj

其中的 1 0 obj, 2 0 obj … 等代表物件， endobj 標記代表物件的結束點，而 2 0 R、3 0 R… 則代表引用，也就是類似超連結的連結方式，因此、從上述範例中，我們可以整理出下列樹狀結構，這樣的結構有助於讀者理解上述 PDF 文件的內容：

Catalog 1 0 Outlines 2 0 Pages 3 0 Page 4 0 Resources ProcSet 6 0 R Font /F1 7 0 R Encoding /ETenms-B5-H Contents 5 0 R Stream BT /F1 24 Tf 100 100 Td <bd75a457add3a448a4c6b0d1a6d2a4e5c46dbadeb27aa874b2ce> Tj ET

請注意上述結構中的 Stream 標記，BT 代表文字段的開始， /F1 24 Tf 代表字型是 F1、大小是 24， 100 100 Td 代表相對位置移動到 100 100 的地方，而 <bd75a457add3a448a4c6b0d1a6d2a4e5c46dbadeb27aa874b2ce> Tj 則是『線上個人化參考文獻管理系統』經過 ETenms-B5-H 這個 CMap 表格編碼後的結果，範例中的 Font 沒有 ToUnicode 欄位，代表要轉為 Unicode 時可使用預設的轉換法。

PDF 的格式實在太複雜了，我們希望在轉換成 XML 後能很容易的處理，因此、我們在設計 OpenPDF 的 XML 格式時就以易處理性為第一考慮，以下是上述範例轉換後的結果。

<?xml encoding="UTF-8"?> <page> font : 標楷體, Bold 100,100 線上個人化參考文獻管理系統 200, 30 image : logo.gif </page>

這樣的表達方式極為簡單，我們稱之為 Easy Document 格式 (簡稱 EzDoc)，EzDoc 相較於 PDF，有下列優點：

1. 檔案是純文字的，可以用一般文字編輯器開啟，不需要專用的閱讀軟體也可以讀，有利於程式人員開發新軟體。
2. 影像部分以獨立的檔案儲存，可以用任何影像軟體，不需依賴專用的閱讀軟體。

另外、相對於 Open Document 與 Micorsoft 的 OpenXML，EzDoc 也有下列優勢：

1. EzDoc 不強求每個標記都要使用 XML 語法，這種設計表面上看來不符合 XML 的原則，但實用上卻非常簡潔，容易處理。
2. EzDoc 將座標以最簡短的方式嵌入 XML 中，即使不壓縮，也不會佔據太大的空間，指令的設計也儘可能簡短，可節省空間。

另外、透過現成的軟體，我們可以輕易的將 EzDoc 的 XML 檔案與相關影像壓縮到同一個檔案中，形成 EzDoc 的壓縮版。例如：若上述 XML 文件的名稱為 test.xml，則壓縮完後所形成的檔案，副檔名將命名為 test.ez，這實際上就是將 test.xml 與 logo.gif 兩個檔案以 zip 方式壓縮後的結果。

by ccckmit

在 PS 被發明之前，點矩陣印表機是主要的電腦列印設備，雖然有些印表機可以列印圖形，但是其編碼格式並不統一，自從 PS 發明以來，迅速佔據了雷射印表機的市場並成為標準列印格式，該格式使得各種文字與圖形可以快速的傳給印表機並且被列印出來。

1990 年 Adobe 將 PS 簡化後發展出 PDF 格式，當時 Adobe 公司的 Acrobat PDF Reader 是要付費購買的軟體，後來為了與其他同類產品競爭，因而開放 PDF Reader 免費下載使用，從此 PDF 的使用群迅速擴大，而成為網路上最常用的文件格式。

然而、PDF 畢竟是 Adobe 公司的私有格式，而且採用二進位與純文字混合的編碼模式，因此並不像 XML 或 HTML 那樣容易處理，更複雜的是、PDF 並沒有採用 Unicode 等標準字元編碼方式，而是將字元透過 Adobe 公司內建的編碼表進行編碼，使得全文檢索程式無法直接對 PDF 文件進行檢索，因此、許多搜尋引擎都不支援 PDF 的搜尋功能，少數具有PDF搜尋功能的搜尋引擎（像是 Google），也都必須要自行開發程式以便將 PDF 文件轉換成文字檔以便搜尋，但是對大多數的程式設計人員來說，對 PDF 進行加值處理仍然困難重重。

by ccckmit

PDF是廣為人使用的文件格式，但卻是一個封閉的私有格式，很少有程式能將 PDF 文件完全正確的解碼，這阻礙了文件的公開化，許多搜尋引擎無法搜尋PDF 文件的內容，PDF 文件的加值運用 - 例如資訊抽取、自動摘要、全文檢索、引用分析等等 - 也因此而困難重重，有鑑於此、我們成立了 OpenPDF 這個開放原始碼計畫，目標在開發一個將 PDF 文件轉換成 XML 的軟體，以使程式設計人員能夠輕易的處理 PDF 文件，更進一步、我們希望透過 OpenPDF將所有 PDF 文件轉換成 XML 格式，並開發出此種 XML 格式的閱讀程式，使文件資訊徹底公開化。

簡介

PDF 是 Adobe 公司所制定的一種格式[cite:1]，其前身是該公司的 PostScript (PS)[cite:2] 格式，PS 格式乃是由 Adobe 公司的創辦人 John Warnock 所設計的，並於 1985 年正式發行，接著被 Apple 採用於 Cannon 印表機做為傳輸格式，此後 PS 就成了雷射印表機的內建格式，並因此而成為線上出版業的標準格式。

在 PS 被發明之前，點矩陣印表機是主要的電腦列印設備，雖然有些印表機可以列印圖形，但是其編碼格式並不統一，自從 PS 發明以來，迅速佔據了雷射印表機的市場並成為標準列印格式，該格式使得各種文字與圖形可以快速的傳給印表機並且被列印出來。

1990 年 Adobe 將 PS 簡化後發展出 PDF 格式，當時 Adobe 公司的 Acrobat PDF Reader 是要付費購買的軟體，後來為了與其他同類產品競爭，因而開放 PDF Reader 免費下載使用，從此 PDF 的使用群迅速擴大，而成為網路上最常用的文件格式。

然而、PDF 畢竟是 Adobe 公司的私有格式，而且採用二進位與純文字混合的編碼模式，因此並不像 XML 或 HTML 那樣容易處理，更複雜的是、PDF 並沒有採用 Unicode 等標準字元編碼方式，而是將字元透過 Adobe 公司內建的編碼表進行編碼，使得全文檢索程式無法直接對 PDF 文件進行檢索，因此、許多搜尋引擎都不支援 PDF 的搜尋功能，少數具有PDF搜尋功能的搜尋引擎（像是 Google），也都必須要自行開發程式以便將 PDF 文件轉換成文字檔以便搜尋，但是對大多數的程式設計人員來說，對 PDF 進行加值處理仍然困難重重。

有鑑於此、我們建立了 OpenPDF 專案計畫，其目的乃是將 PDF 轉換成 XML 格式，使得任何程式設計人員都可以輕易的使用 PDF 文件，並對這些文件進行『檢索、摘要、翻譯、註解或轉換』等加值處理，另外、為了方便起見，OpenPDF 也提供將 PDF 轉換為 HTML 與純文字檔的功能。

文獻回顧

盡管 PDF 是 Adobe 公司專有的文件格式，然而、由於 Adobe 公司希望能藉助其他程式社群的力量，以擴展市場，因此、將 PDF 的規格與相關資源公開，這使得 PDF 的流傳更為廣泛，也讓許多 PDF 工具紛紛被開發出來，數量達上千種之多，甚至有專門的網站負責蒐集 PDF 相關工具的資訊，Planet PDF 是其中蒐集最完整的網站之一。

Planet PDF 對 PDF 工具的分類，共分為 14 類，如下表所示：

1. Prepress, Print & PDF/X
2. Editing & Management
3. Creation & Conversion
4. Developer，
5. Extraction
6. Searching & Indexing
7. Viewers
8. Forms & FDF
9. Color & Imposition
10. Security & DRM
11. Stamp & Watermark
12. Server-side
13. Split, Merge & Append
14. Links & Bookmarks

在 Planet PDF 中，我們可以找到許多商用 PDF 軟體，其中有很多工具可以將 XML 文件透過 XSLT 轉換為 PDF 檔案 [註1]，也有一些工具可以將 PDF 轉換成純文字檔案 [註2]。

雖然 Adobe 公司將規格公開了，但是卻極力的保護其在 PDF 軟體上的主導權，並確保能從 PDF 上賺回豐厚的利潤，因此、除了 Acrobat PDF Reader 之外，其餘的軟體 - 例如 Acrobat Writer、Acrobat Distiller 等，都是要付費使用的，Adobe 公司甚至更進一步對 PDF 的協力開發廠商收費，像是 PDF Library SDK[cite:4]、Acorbat SDK[cite:5] 等函式庫，也是要花費購買、並且經過 Adobe 公司審查，這顯然是 Adobe 公司為了防止其他廠商進入 Adobe 的核心 PDF 技術所採取的一種方式。

在 PDF 解碼的過程當中，CMap 是一種重要的字元對應表，記載了各類字碼與 PDF 內碼的對應方式，例如：ETenms-B5-H 這個CMap 檔案就記載了倚天版的繁體中文碼對應到 PDF 內碼的方式，而這些檔案的一開始都記載了 All Right Reserved 的版權宣告，這使得 PDF 工具軟體的開發人員除了面對技術困難之外，還要擔心被 Adobe 公司告的問題。

在筆者開始撰寫 OpenPDF 時，並沒有任何工具可以將 PDF 轉換成 XML 文件，這究竟是因為轉換的難度太高，或者是 Adobe 公司管控太嚴，我們無從得知，但是這類工具極為稀少卻是事實。

在開放原始碼的社群當中，也有為數不少的 PDF 工具程式，這些程式通常可以在 SourceForge 網站中找到，其中較知名的有：iText、PDFBox、XPDF 等等。

Acrobat 軟體本身有分免費與付費兩個版本，付費版的 Acrobat 可以加裝一個 XML Plug-In，即可具有將 PDF 文件存檔為 XML 的功能 (本為寫作時為 Beta 2 版本)，但是免費版的 Acrobat Reader 則沒有這個功能。

雖然已有這麼多的 PDF 工具，但經過我們測試之後，卻發現下列情況，

1. 商業版的軟體除了 Adobe SDK 之外，PDF2text, Solid Converter PDF 都無法正確的將所有的 PDF 檔案轉換成純文字檔。
2. 開放原始碼的工具，都無法正確的處理中文、日文、韓文等亞洲語言，轉換後會得到一堆亂碼。

因此、為了進行 PDF 文件的加值處理，我們不得不自行撰寫 PDF 文件的解碼程式，因而建立了 OpenPDF 的專案。

前述的 PDF 工具，通常是為了要讓程式設計人員，可以輕鬆的建立 PDF 文件，而不是將資訊從 PDF 文件中抽取出來，
少數具有抽取功能的專案，就我們所知，都無法處理中文。

相關軟體比較

這些的 PDF 轉換工具當中，有些可以將 PDF 中的文字抽取出來，以下是我們所知的相關工具程式列表：

經過我們的測試 (在 MS Windows XP上)，這些轉換工具的在處理各種語言的文件上，表現狀況如下：

但是、雖然 OpenPDF 在中日韓文處理的處理上較具優勢，但在PDF建立與產生、圖形抽取等方面，則付之闕如，其比較表如下：

OpenPDF 的現況

*Missing features and possible extensions
*The popularity of the project (e.g., the number of downloads from OSSF, the user group size, the number of follow-up projects, etc.)
*Evidence of software adoption (e.g., products providing significant services based on the software)

OpenPDF 專案乃是 Chinese-Paper 專案的子專案，Chinese-Paper 專案企圖建立一個極大量中文論文資料庫，這個資料庫
包含網路上可取得的所有中文論文，並經過程式自動整理，建立論文之間的引用關係，以提供中文論文的讀者與作者
一個自由發表與閱讀的環境。

Chinese-Paper 專案乃是受到 Citeseer 網站的啟發，Citeseer 是一個專門蒐集資訊科學相關論文的資料庫網站，
提供論文的檢索與下載功能，並且建立了論文間的引用關係，並統計出引用率，然而、Citeseer 並不蒐錄中文論文；
Chinese-Paper專案的目的就是要模仿 Citeseer ，但著重在中文論文的蒐集與引用分析上，使中文論文的發表與使用
能更為方便。

為了要建立 Chinese-Paper 資料庫，我們撰寫了一個 Crawler 程式(Easy-Crawler)，用來自動抓取網路上的 PDF 檔案，
當 PDF 檔案抓回來後，經過 OpenPDF 解碼為 XML，然後抽取出其中的重要資訊，包含標題、作者、參考文獻等資訊，
接著利用參考文獻建立引用關係，以建立一個類似 Citeseer 網站的論文資料庫，

Chinese-Paper 專案於 2005 年 7 月開始，9 月初步完成 Crawler 與 Google API 的程式，抓下了一萬篇的 PDF 論文，
接著在進行 PDF 論文解碼時，卻發現目前的開放原始碼軟體都無法正確的將文件解碼成中文，後來購買了商用的
SolidConverterPDF 使用，可以解出部分的中文檔案，但卻也有許多檔案解碼失敗，甚至導致當機的狀況，因此、
我們開始著手建立 OpenPDF 計畫，從 2005 年底開始，經歷了數個月的研究測試後，開發出將 PDF 轉換為 XML 的程式。

2005 年 10 月開始，OpenPDF 的程式連同幾份文件，被放在作者的私人網站上，2006/1/26日，一位華藝數位藝術公司的
楊小姐於網路上搜尋到這些文件，來信索取原始碼，作者於是意識到應該將程式於開放原始碼社群公開了，2006/2/27日
於 SourceForge 與 OpenFoundary 上申請建立專案，3/3 開始將程式公開，由於公開的時間過短，使用群尚不明顯。

然而、由於作者對 PDF 的理解尚不完全，因此、OpenPDF 目前尚無法將影像與圖形的部份抽出，這代表 OpenPDF 尚未
成熟，有相當大的改進空間，然而、對於以文字為主的應用，例如全文檢索、資訊抽取、論文引用分析等應用而言，
OpenPDF 已經可以穩定的被使用。

OpenPDF 的未來

我們不只希望能夠將 PDF 文件轉換成為 XML 文件，更進一步的希望能開發出

我們希望能有更多人加入 OpenPDF 與 Chinese-Paper 的計劃當中，以建立一個開放自由的論文環境，使得中文論文資源
可以有效的管理與累積，以建立高品質的研究環境。

另外、受到 Wikipedia 的啟發，更長遠來看，我們希望建立 Open-Publish 計畫，以建立更自由開放的出版環境，
使得人人都可以自由的在網路上出版論文、書籍、影片等等，透過 Open-Publish 平台，作者可以自行選擇授權機制，
輕易的在網路上寫作並出版，而讀者也可以透過該授權，輕鬆的閱讀這些作品，這些授權機制，包含
Create Commons License(CCL)、GNU Free Document License (GFDL)、以及以頁數計費的商業授權等等，
透過作者自行選擇的授權機制，所有文件都可以公開的在網路上合法的閱讀、修改、甚至是共同創作。

參考文獻

1. PDF in Wikipedia - [[http://en.wikipedia.org/wiki/Portable_Document_Format]]
2. PostScript in Wikipedia - [[http://en.wikipedia.org/wiki/PostScript]]
3. Planet PDF 討論區 - [[http://www.planetpdf.com/]]
4. iText, a Free Java PDF Library - [[http://www.lowagie.com/iText/]]
   • iText Tutorial : [[http://itextdocs.lowagie.com/tutorial/]]
5. Adobe Acrobat SDK : [[http://partners.adobe.com/public/developer/acrobat/sdk/index.html]]
6. Adobe PDF Library : [[http://partners.adobe.com/public/developer/pdf/library/index.html]]
7. PDF Reference, fifth edition, Adobe Portable Document Format Version 1.6, Adobe Systems Incorporated.
8. Open Document in Wikipedia - [[http://en.wikipedia.org/wiki/OpenDocument]]
9. Microsoft Office Open XML - [[http://en.wikipedia.org/wiki/Microsoft_Office_Open_XML]]
10. http://www.freedownloadscenter.com/Utilities/File_Cataloging_Utilities/PDF_to_Text__pdf2text__SDK_COM.html
    • PDF to Text (pdf2text) SDK-COM 3.0

by ccckmit

by ccckmit

by ccckmit

對於 PDF 的一般用戶而言，最常使用的是將 Word 等文件格式轉換為 PDF 格式，要做這件事相當簡單，您可以安裝 PrimoPDF 這個免費的軟體，安裝好後會在你的電腦中看到一台名稱為 PrimoPDF 的印表機，不管任何文件、只要您在列印時選擇印出到這台印表機上，PrimoPDF 就會將文件印成一個 PDF 檔案，如此、任何文件都可以輕易的轉換成 PDF 文件了。(Adobe 公司也有出一個類似的軟體，稱為 Adobe Distiller，但是要花錢購買)

除了上述的解密工具之外，網路上有各式各樣的 PDF 免費工具可以使用，例如 xpdf, PDFBox, Multivalent 等等，但是、通常這些工具對於中文文字的使用都有些問題，有些必須要加裝語言包並進行設定調整(但我不會)，因此、為了製作 PDF 搜尋引擎與分析工具，我們撰寫了一組程式，其壓縮檔在 PdfTree.zip 中，可以用來將 PDF 檔案中的文字抽出並轉為純文字格式或 XML 格式，這個程式可以處理Identity-H、ETenms-B5-H、嵌入式的字集等都沒有問題，但還沒加入簡体中文、日文與韓文等字集。

對於 PDF 的一般用戶而言，最常使用的是將 Word 等文件格式轉換為 PDF 格式，要做這件事相當簡單，您可以安裝 PrimoPDF 這個免費的軟體，安裝好後會在你的電腦中看到一台名稱為 PrimoPDF 的印表機，不管任何文件、只要您在列印時選擇印出到這台印表機上，PrimoPDF 就會將文件印成一個 PDF 檔案，如此、任何文件都可以輕易的轉換成 PDF 文件了。(Adobe 公司也有出一個類似的軟體，稱為 Adobe Distiller，但是要花錢購買)

相關軟體比較

這些的 PDF 轉換工具當中，有些可以將 PDF 中的文字抽取出來，以下是我們所知的相關工具程式列表：

參考文獻

1. http://sourceforge.net/search/?type_of_search=soft&words=pdf
2. http://www.foxitsoftware.com/pdf/sdk/dll/
3. http://www.omniformat.com/download.html
4. http://www.hot.net.tw/book/002/ACV010400.htm Lesson 3. Office/PDF文件解密術
5. 另外一個軟體，在這個網站可以下載試用版，有command line ，如果要將他結合在自己的程式，也可以，要花五百多美金http://www.verypdf.com/pwdremover/index.htm#dl
6. pdf轉存文字, word 中文沒問題

http://www.softhome.com.tw/html/soft_product.php?re_valu=5165

by ccckmit

PDF 的檔案格式

%PDF?1.4 1 0 obj << /Type /Catalog /Outlines 2 0 R /Pages 3 0 R >> endobj 2 0 obj << /Type /Outlines /Count 0 >> endobj 3 0 obj << /Type /Pages /Kids [4 0 R] /Count 1 >> endobj 4 0 obj << /Type /Page /Parent 3 0 R /MediaBox [0 0 612 792] /Contents 5 0 R /Resources << /ProcSet 6 0 R /Font << /F1 7 0 R >> >> >> endobj 5 0 obj << /Length 73 >> stream BT /F1 24 Tf 100 100 Td (Hello World) Tj ET endstream endobj 6 0 obj [/PDF /Text] endobj 7 0 obj << /Type /Font /Subtype /Type1 /Name /F1 /BaseFont /Helvetica /Encoding /MacRomanEncoding >> endobj

其中的 1 0 obj , 2 0 obj, 3 0 obj,… 等語法是物件的定義，PDF格式是以文字所組成的一個物件樹，而 2 0 R, 3 0 R 等語法則是物件與物件之間的連結狀況，符號 R 代表的是 Reference (引用)，這些 R 連結構成了樹中的分枝結構，如此、只要從 1 0 obj 開始追蹤，就可以建出整棵樹狀結構。

stream 是 PDF 中另一個重要的基本元件，因為所有的文字、影像等物件都是被編碼後放到 stream 物件之中，例如上例中的
<code>
BT
/F1 24 Tf
100 100 Td
(Hello World) Tj
ET
</code>

轉換為 XML 之後的格式

在破解與解壓縮後，我們可以輕易的將 PDF 文件轉換為 XML 文件，以下範例顯示了上述文件轉換為 XML 後的版本。

<obj id="1 0"> <Type>/Catalog</Type> <Outlines>2 0 R</Outlines> <Pages>3 0 R</Pages> <obj> <obj id="2 0"> <Type>/Outlines</Type> <Count>0</Count> </obj> <obj id="3 0"> <Type>/Pages</Type> <Kids>[4 0 R]</Kids> <Count>1</Count> </obj> <obj id="4 0"> <Type>/Page</Type> <Parent>3 0 R</Parent> <MediaBox>[0 0 612 792]</MediaBox> <Contents>5 0 R</Contents> <Resources> <ProcSet>6 0 R</ProcSet> <Font> </F1>7 0 R</F1> </Font> </Resources> </obj> <obj id="5 0"> <Length>73</Length> <stream> BT /F1 24 Tf 100 100 Td (Hello World) Tj ET </stream> </obj> <obj id="6 0">[/PDF /Text]</obj> <obj id="7 0"> <Type>/Font</Type> <Subtype>/Type1</Type> <Name>/F1</Name> <BaseFont>/Helvetica</BaseFont> <Encoding>/MacRomanEncoding</Encoding> </obj>

結語

因為 XML 是一種純文字格式，具有明確的開頭與結束符號，讓我們能輕易的用Regular Expression 等工具進行處理，可以使 PDF 的處理簡化很多，並且、在轉換成 XML 的過程當中，我們已經將PDF 中的壓縮格式解開了，並且將編碼轉換為標準的 Unicode 編碼，使得程式設計人員可以直接取得想要的段落，而不需要管 PDF 中壓縮與編碼等惱人的問題。

雖然解開成 XML 會使 PDF 檔案變大，但經我們實驗，被解開成 XML 的檔案再以 zip 檔的形式壓縮後，其大小反而比原先的 PDF 小，也比將 PDF 壓縮成 zip 的檔案更小，因此、對於在意硬碟空間的人而言，可以將 XML 壓縮後的檔案儲存。

本文簡單介紹了 PDF 的格式與語法，並且以 Java 實作 PDF 轉 XML 的工具程式，希望能對您有所幫助。

參考文獻

1. Portable Document Format Version 1.6,fifth edition,AdobeR Adobe Systems Incorporated - 網址：http://partners.adobe.com/public/developer/en/pdf/PDFReference16.pdf
2. Adobe Developer Resource - 網址：[[http://partners.adobe.com/public/developer/acrobat/index_advanced.html]]
   1. PDF core font information, CMaps for PDF 1.4 CJK fonts, Chinese Traditional (ZIP: 391k) - 網址：http://partners.adobe.com/public/developer/en/pdf/chinese_t.zip
   2. Portable Document Format, in Wikipedia - 網址：http://en.wikipedia.org/wiki/pdf?qin=pdf&tg=%E7%99%BE%E7%A7%91&q=&s=&hl=&lr=

by ccckmit

簡介

PDF 是一種樹狀結構的文件，stream 是 PDF 中的一個重要的基本元件，因為所有的文字、影像等物件都是被編碼後放到 stream 物件之中，以下是一個範例片段

BT /F1 24 Tf 100 100 Td (Hello World) Tj ET

中文的編碼方式

由於 PDF 是一個跨語言、跨平台的文件格式，因此、所支援的編碼方式非常多樣，包含 Windows 標準 WinAnsiEncoding 字集，繁體中文的 BIG5 以及其擴充版本的倚天字集、簡體中文的 GB2312 字集、日文的 EUC 字集與 Shift-JIS 字集等等，其中、共有 14 種字集是預設在 Acrobat PDF Reader 中就有的，但並不包含中文、日文、韓文等亞洲字集，因此、需要使用到這些多國語言的環境時時，通常需要加入語言的特別安裝，這些安裝中有一個很重要的目錄稱為 CMap ，這是用來作語言編碼對照的檔案，例如：CMap/ETenms-B5-H 是繁體中文的倚天擴充字集對應到 Unicode 的編碼檔，以下是該檔案的一個小片段，

2 begincodespacerange <00> <80> <A140> <FEFE> endcodespacerange 1 beginnotdefrange <00> <1f> 13648 endnotdefrange 100 begincidrange <20> <7e> 1 <a140> <a158> 99 <a159> <a15c> 13743 <a15d> <a17e> 128 <a1a1> <a1f5> 162 <a1f6> <a1f6> 248 <a1f7> <a1f7> 247 <a1f8> <a1fe> 249 ...

其中的 begincodespacerange 段落說明編碼的範圍第一段是由 00 到 80，第二段是由 A140 到 FEFE ，熟悉 big5 編碼的人應該就曉得這正是 big5 碼的編碼範圍，而第二段的 beginnotdefrange 代表 00 到 1F 是未使用的編碼區段。

第三段的 begincidrange 是真正的編碼對應表，其對應方式是一段一段的對應，例如：<a140> <a158> 99 代表

a140 這個碼被對應到 99 a141 這個碼被對應到 100 a142 這個碼被對應到 101 ...

如此、各種編碼方式之間將可以正確正確的對應到標準的 PDF 預設字集 CID 上。

PDF 的預設字集 CID 並不是採用最廣為使用的 Unicode 字集，而是由 Adobe 公司所自行編碼的字集，稱為 Character Idientity 字集，簡稱為 CID 字集，所有的其他字集都會透過 CMap 檔案被對映到這個 CID 字集上，以便在顯示的時取得正確的字形，對於繁體中文而言，PDF 主要使用的除了標準的 CID 字集之外，最常被使用的就是 ETenms-B5-H 這個 CMap 所代表的字集，這是 BIG5 字集的倚天擴充版，關於這個字集的相關資訊可以在 Adobe 的協力開發網站上下載，網址是：

http://partners.adobe.com/public/developer/en/pdf/chinese_t.zip

破解文字編碼

在 PDF 中的中文編碼，並非都固定採用統一個方式，對於繁體中文而言，有時會用 ETenms-B5-H 來編，有時會用 CID 直接編碼，
有時又會用嵌入的方式直接將對映表 CMap 插入在 PDF 檔中成為一個物件，然後用該嵌入式對映表來編碼，因此、要取出 PDF 檔案
中的文字，是相當困難的一件工作，必需對 PDF 的格式有徹底的了解才行。

以下我們再舉一個範例以說明中文編碼與解碼的問題。

4 0 obj << /Type /Page /Parent 3 0 R /MediaBox [0 0 612 792] /Contents 5 0 R /Resources << /ProcSet 6 0 R /Font << /F1 7 0 R >> >> >> endobj 5 0 obj << /Length 73 >> stream BT /F1 24 Tf 100 100 Td <bd75a457add3a448a4c6b0d1a6d2a4e5c46dbadeb27aa874b2ce> Tj ET endstream endobj 6 0 obj [/PDF /Text] endobj 7 0 obj << /Type /Font /Subtype /Type0 /BaseFont /#bc#d0#b7#a2#c5#e9,Bold /Encoding /ETenms-B5-H >> endobj

上述範例中的 &lt;BD75A457ADD3A448A4C6B0D1A6D2A4E5C46DBADEB27AA874B2CE&gt; 其實是『線上個人化參考文獻管理系統』這段文字
以 BIG5 編碼法編成十六進位後的結果。

但是我怎麼知到該段落所使用的編碼法是 BIG5 呢，當我們想寫一個程式去處理這些文字編碼時，就必需要先知到該 PDF 檔案是使用何種編碼法，但是、哪理有紀載這樣的資訊呢？

答案是在 Tf 這個代表字形的標記中，請仔細看上面的範例，其中的 /F1 24 Tf 所代表的就是後面文字段落所採用的字形資訊，代表 &lt;BD75A457ADD3A448A4C6B0D1A6D2A4E5C46DBADEB27AA874B2CE&gt; 這段資訊顯示時應該使用 F1 的字形，而且字形顯示時
的大小設定為 15.75。

要知道 /F1 字形所使用的編碼法，必需逆向追蹤該段落的父節點物件，由於 PDF 中並沒有記載逆向追蹤的資訊，因此、我們必需從上而下正向追蹤過來，才有辦法破解這個秘密。

首先、由於 PDF 是一個印表語言，因此最重要的物件是頁面，也就是範例中的 4 0 obj，屬性 /Type /Page ?明了這是一個頁面，另一個屬性 /Font 7 0 R ，記載了該頁所使用的字形是 /F1，字形資訊儲存在 7 0 這個物件當中，追蹤 7 0 obj 就可以看到下列段落

7 0 obj << /Type /Font /Subtype /Type0 /BaseFont /#bc#d0#b7#a2#c5#e9,Bold /Encoding /ETenms-B5-H >>

其中的 /Encoding 屬性說明了該頁面所使用的是 /ETenms-B5-H 的編碼法。

在取得編碼法之後，我們就可以利用 /Contents 這個屬性，得知該頁面的文字內容位於 5 0 R 之中，追蹤 5 0 obj 後就發現下列段落，因此、我們就知道應該用 ETenms-B5-H 這個 BIG5 的對映表來解碼。

5 0 obj << /Length 73 >> stream BT /F1 24 Tf 100 100 Td <bd75a457add3a448a4c6b0d1a6d2a4e5c46dbadeb27aa874b2ce> Tj ET endstream

若您要真正寫程式處理 PDF 檔案中的文字時，必須先解壓縮，然後再對 &lt;…&gt; 中的十六進位數字進行解碼，以對應到目標的 CID 編碼，然後在進行處理，但 CID 編碼法畢竟是 Adobe 公司私有的格式，並不容易作處理，因此、我們通長會將這個編碼再度轉換為 Unicode的標準編碼，然後再交給支援 Unicode 的函式庫去處理，像 Java 裏面的函式庫就可以輕易的處理 Unicode 編碼。

要將繁體中文 CID 轉為 unicode ，其對映表檔案是 Adobe-CNS1-UCS2 ，有關轉換為 unicode 的資訊也可在 Adobe 協力開發網http://partners.adobe.com/public/developer/en/pdf/chinese_t.zip 這個網址中找到。

另外、有時轉換為 unicode 的表格會被內嵌在 PDF 檔案中，然後在 /Font 物件中的 /ToUnicode 欄位內指定其物件編號，以下範例說明了這種情況，其中的 12 0 obj 是該嵌入式的 Cmap，可以用來將編碼轉換為 Unicode。

7 0 obj << /Type /Font /Subtype /Type0 /BaseFont /#bc#d0#b7#a2#c5#e9,Bold /Encoding /ETenms-B5-H /ToUnicode 12 0 R >> ... 12 0 R 12 0 obj<< /Length 3407>> stream ... 100 beginbfchar <01> <56DE> <02> <60F3> <03> <5169> ... endbfchar ... endstream endobj

最後、有些 PDF 文件會將中文字放在 (…) 中以原始位元碼表示，而不是用 16 進位放在 &lt;…&gt; 中，此時，就需要將其內容直接取出，然後用 Encoding 與 ToUnicode 所指定的方式解碼，而不需要透過 16 進位了。 (但是要注意其中的跳出字元\n \t \b ….\ddd 等用法，這些字必需先被轉換成位元組的形式，才能處理)。

結語

PostScript 是為了印表機而發展出來的語言，PDF也繼承了這樣的特性，因此、具有很好的列印品質，但要做加工則相當不易，本文探討了 PDF 的格式，並說明處理中文 PDF 時所經常遇到的一些問題與解決辦法，希望能對您有所幫助。

參考文獻

1. Portable Document Format Version 1.6,fifth edition,AdobeR Adobe Systems Incorporated - 網址：http://partners.adobe.com/public/developer/en/pdf/PDFReference16.pdf
2. Adobe Developer Resource - 網址：[[http://partners.adobe.com/public/developer/acrobat/index_advanced.html]]
   • PDF core font information, CMaps for PDF 1.4 CJK fonts, Chinese Traditional (ZIP: 391k) - 網址：http://partners.adobe.com/public/developer/en/pdf/chinese_t.zip
3. Portable Document Format, in Wikipedia - 網址：http://en.wikipedia.org/wiki/pdf?qin=pdf&tg=%E7%99%BE%E7%A7%91&q=&s=&hl=&lr=

by ccckmit