如何确定线性化PDF文件中第1页的范围(以字节为单位)？

Question

我知道我可以“线性化”一个PDF文件，例如使用Acrobat或使用商业工具。这也被称为“为web优化”，它重新排列PDF，以便页面1可以尽快加载。以这种方式服务的PDF会更快地显示，因为PDF查看器不需要等待整个PDF被下载。

更新:基于下面答案的，我现在意识到线性化的PDF不仅被重新排列，而且还包含关于其自身结构的元数据，其形式是“线性化字典”。

我有一个应用程序，在该应用程序中，我希望预取几个PDF(查询的结果)，希望用户能够看到其中的一个。如果我的客户能够为每个搜索结果下载第1页，而只下载第1页，那就太棒了。当用户选择其中之一时，页面1可以立即显示，其余部分可以在后台下载。

我正在寻找一个通用的解决方案，可以使用服务器端(Windows或Linux)对我的PDF进行预处理，这样我就可以分别存储和服务页面1和其余部分。实际上，我需要知道的是PDF中的最后一个字节是正确显示第1页所需的。

我已经浏览了PDF的ISO规范，但是文件格式似乎太复杂了，我无法简单地解析出第1页结束的位置。另一方面，线性化PDF的工具几乎肯定知道第1页的结尾位置。

我对向客户端提供分段PDF的复杂情况并不感兴趣；这部分已经解决了，因为客户端是一个应用程序，而不是浏览器，而且我可以完全控制。

我也不认为它会帮助我使用像AP分裂这样的工具将PDF分割成一个“第1页”的PDF和一个完整的PDF。如果我这样做了，那么我将无法欺骗客户端查看器认为它是一个单一的PDF文件，当我用完整的PDF替换“第1页”PDF时，会出现明显的闪烁。

任何帮助或指示都很感激。

解决方案(基于Bobrovsky以下的回答)：

正确线性化的PDF以标题行(在PDF规范第7.5.2节中定义)开始，如"%PDF-1.7“，后面是至少四个二进制字符的注释行(定义为128个或更高的字节值)。例如：

    %PDF-1.7
    %¤¤¤¤

这个标题紧接着是线性化字典(在PDF规范的附录F中定义)。举个例子：

    43 0 obj
    << /Linearized 1.0 % Version
     /L 54567   % File length
     /H [475 598] % Primary hint stream offset and length (part 5)
     /O 45      % Object number of first page’s page object (part 6)
     /E 5437    % Offset of end of first page
     /N 11      % Number of pages in document
     /T 52786 % Offset of first entry in main cross-reference table (part 11)
    >>
    endobj

在这个例子中，第一页的末尾是字节偏移5437。这个数据结构非常简单，几乎可以使用任何语言进行解析。“430obj”给出了这个字典的ID (43)和一个生成号(线性化文件总是为零)。字典本身被<<和>>包围，其中包括键值对(键有类似于“/E”的斜杠)。

下面是一个使用regex查找相关数字的C#方法：

public int GetPageOneLength(byte[] data)
{
  // According to ISO PDF spec: "The linearization parameter dictionary shall be entirely contained within the first 1024 bytes of the PDF file" (p. 679)
  string preamble = new string(ASCIIEncoding.ASCII.GetChars(data, 0, 1024));    // Note that the binary section on line 2 of the header will be entirely converted to question martks ('?')
  var match = Regex.Match(preamble, @"<<\w*/Linearized.+/E\s+(?<offset>\d+).+>>");
  if (!match.Success) throw new InvalidDataException("PDF does not have a proper linearization dictionary");
  return int.Parse(match.Groups["offset"].Value);
}

请注意Bobrovsky的警告，即文件可能包含线性化字典，但可能没有正确地线性化(可能是因为增量编辑？)。在我的例子中，这不是一个问题，因为我将线性化所有的PDF本身。

Answer 1

线性化字典应该能帮助你做到这一点。

包含E参数所需的字典，即

第一页末尾的偏移量(例如F.1中第6部分的结尾)，相对于文件的开头。

请注意，并非每一个具有线性化字典的文件实际上都是线性化的(损坏的生成器、线性化后的更改等)。因此，如果您的文件未被验证为正确地线性化，您可能无法使用描述的方法。

有关线性化字典的更多信息，请参阅PDF参考中的F.2.2线性化参数字典(第2部分)。