C#开发PDF阅读器初探

Posted 2021-04-14 DotNet

（给DotNet加星标，提升.Net技能）

转自：源之缘

cnblogs.com/yuanchenhui/p/pdf-reader.html

前言

pdf是最流行的版式格式文件标准，已成为国际标准。pdf相关的开源软件非常多，也基本能满足日常需要了。相关商业软件更是林林总总，几乎应有尽有！似乎没必要自己再独立自主开发！但，本人基于以下考虑，决定自主研发一款pdf阅读器。

1、通过编写pdf阅读器，可以迅速的熟悉pdf文件的处理。pdf格式包含的内容非常多，仅仅通过查资料，很难掌握其内容。

2、任何技术，只有自主可控，才能到达气定神闲！使用开源软件是简单，万一遇到问题，就是个坑！

3、解决pdf与ofd互转问题。ofd是国家标准，相关的处理软件非常少。为了解决两种格式文件互转，必须了解pdf。

4、本人此前开发了一款ofd阅读器，积累了一些经验。为开发pdf阅读器增添了信心。

特别说明 

本人花了几周写了这款阅读器，验证了pdf不同类型的数据处理，还远远到不了商用的要求。不积跬步无以至千里！本人会慢慢完善这款软件，敬请期待。本人的参考资料有两本英文书籍和pdf英文标准文档。

程序界面

pdf相关参考资料：

pdf文件结构简介 

pdf总的内容结构如下：

 1、header: 有关pdf版本信息。最新版为 %PDF−1. 7

 2、Body：存储具体数据，pdf就是由很多object组成的。每个object由dictionary和stream组成。dictionary存储就是key、value字符对。dictionary是可以嵌套的，就是value有可能也是一个dictionary。

 3、Cross-Reference Table：交叉索引表。可以快速定位到具体object。便于随机读取object。

 4、Trailer：给出交叉索引表的位置。读取pdf文件都是从最后开始读的，所以Trailer一定是在文件最后。

pdf处理总体结构

object内容读取

交叉索引表能快速定位到某个object的位置，读取object内容不难，关键是分析dictionary。dictionary是可以嵌套，就是dictionary的内容还有dictionary。快速解析出所有的dictionary是处理的关键。典型的dictionary结构如下：

<<
/Annots 68 0 R
/BleedBox [0 0 504 661.5]
/Contents [51 0 R]
/CropBox [0 0 504 661.5]
/MediaBox [0 0 504 661.5]
/Parent 4334 0 R

/Resources
<< //嵌套dictionary
/ColorSpace <</CS1 62 0 R>>  //2次嵌套dictionary
/Font <</F1 7 0 R/F2 11 0 R/F3 13 0 R/F4 53 0 R>> //2次嵌套dictionary
/ProcSet [/PDF/Text/ImageB/ImageC] //数组
/XObject <</I1 54 0 R/I2 56 0 R/I3 60 0 R>>//2次嵌套dictionary
>>

/Type /Page
>>

页面内容分析

页面内容由系列操作数和操作符组成。所有的操作数和操作符在同一个文本中，所以要快速的将操作数和操作符组成可以执行的操作对。

0 0 515.95 728.6 re
W* n
0 w
2 M
2 J
2 j
0 0 0 RG
BT
0 0 0 rg
/FT8 180 Tf
/GS13 gs
0.05 0 0 -0.05 187.68 676.49 Tm
<35BE>Tj 180 0 TD<1D5F>Tj 180 0 TD<4205>Tj 180 0 TD<4EC8>Tj
ET

字符都是存在（）或<>中，除去字符和数字，就是操作符。如上文W*、n都是操作符；<35BE>为16进制字符对应的key，具体代表哪个字，需要到查字符表。这里的35BE并不是unicode字符对应的值，还需要再查表。如下图：

beginbfchar<0019> <0036>
<35BE> <0037>
<001B> <0038>
<001C> <0039>
endbfchar

<35BE>对应的是<0037>。该表存在字体资源文件object中。

页面显示

坐标系变换

理清不同坐标系之间的关系是处理的关键。坐标系分为：Device Space（设备坐标空间）、User Space（设备坐标空间）、text space（文本坐标空间）等。

绘画上下文设置 

当前绘画的状态（画笔、画刷等）是保存在栈中，会有入栈出栈操作。

特殊画刷处理

pdf有一种画刷，比如渐变色，这个很难找到现成的画刷使用。我使用的是ImageBrush，就是使用图片作为画刷。在内存中创建可擦写的图片，可以精确控制每个像素的值。根据pdf标准提供的算法，计算每个像素的值。

pdf的显示大体分为三种：曲线、文本、图片。其中曲线的显示是比较麻烦的，关键是将pdf标准的描述与wpf曲线操作对应起来。

pdf阅读器开发说明

如果完全参数标准文件开发，是比较枯燥，感觉慢慢长路看不到尽头。我采用是单个功能各个击破的方法，能很快见到开发成果。我使用的参考书是《PDF Explained》，100多页，只是对pdf做大体介绍，但是各个功能点都有所提及。我就参照该书提供的示例文件，逐步验证每个文件。

每种显示都有多种处理方法，每个软件生成pdf的风格是不同的。对特定的软件生成的pdf做几次验证后，基本可以保证该软件生成的pdf都可以正常显示。

wps是可以直接将doc文件转换为pdf的。我对wps生成的pdf做了测试，经过几次调试，现在基本可以正常处理wps生成的pdf文件。

后记 

对于开发pdf阅读器这类软件，以前都是不敢想象的。像这种复杂的软件，必须遵循一定的设计模式、正确建立域模型。所以开发这类软件，对pdf标准的理解是否深刻并非关键，关键还是编程的功底。软件的外在表现千奇百态，但内在逻辑具有类比性的。继承、封装、多态、SOLID设计准则这些并不难理解，但是要达到应用自如还需要反复锤炼。把握好每个细节，正确运用设计准则，一步一个脚印，最终会将不可能变成可能！

推荐阅读   点击标题可跳转

看完本文有收获？请转发分享给更多人

关注「DotNet」加星标，提升.Net技能 

好文章，我在看❤️