Structure d'un fichier PDF ?

Question

Pour un petit projet, je dois analyser des fichiers pdf et en prendre une partie spécifique (une simple chaîne de caractères). J'aimerais utiliser python pour faire cela et j'ai trouvé plusieurs bibliothèques qui sont capables de faire ce que je veux d'une certaine manière.

Mais maintenant, après quelques recherches, je me demande quelle est la structure réelle d'un fichier pdf. Quelqu'un sait-il s'il existe une spécification ou des explications en ligne ? J'ai trouvé un lien sur adobe mais il semble que ce soit un lien mort :(

Answer 1

Voici un lien vers le matériel de référence d'Adobe

http://www.adobe.com/devnet/pdf/pdf_reference.html

Il faut cependant savoir que le PDF ne concerne que la présentation, et non la structure. L'analyse syntaxique ne sera pas facile.

Answer 2

J'ai trouvé le Introduction GNU au PDF pour être utile à la compréhension de la structure. Il comprend une liste facilement lisible exemple de fichier PDF qu'ils décrivent dans les moindres détails.

Autres liens utiles :

• Livre PDF Succinctly est plus long et comporte des photos utiles.
• Introduction à l'intérieur du PDF est une présentation qui n'est pas aussi approfondie, mais qui donne un aperçu rapide et comporte de nombreuses images.

Answer 3

Lorsque j'ai commencé à travailler avec le format PDF, j'ai trouvé que le format Référence PDF très difficile à naviguer. Il peut être utile de savoir que l'aperçu de la structure des fichiers se trouve dans Syntaxe, et que ce qu'Adobe appelle la structure des documents est la structure des objets et non la structure des fichiers. Cela se trouve également dans Syntaxe. La description des opérateurs est cachée dans l'annexe A - très utile pour comprendre ce qui se passe dans les flux de contenu. Si vous avez un jour le malheur de travailler avec des espaces de couleur, vous le trouverez caché dans Graphiques ! J'espère que ces indications vous aideront à trouver les choses plus rapidement que je ne l'ai fait.

Si vous utilisez Windows, pdftron CosEdit vous permet de parcourir la structure de l'objet pour la comprendre. Il existe une démo gratuite qui vous permet d'examiner le fichier mais pas de l'enregistrer.

Answer 4

Voici le brut référence du PDF 1.7 et voici un article décrire la structure d'un PDF fichier. Si vous utilisez Vim, l'option plugin pdftk est un bon moyen d'explorer le document sous une forme un peu moins brute, et la fonction pdftk lui-même (et son code source GPL) est un excellent moyen de séparer les documents.

Answer 5

J'essaie de faire à peu près la même chose. La référence PDF est un document très difficile à lire. Ce tutoriel est un meilleur début, je pense.