-
Notifications
You must be signed in to change notification settings - Fork 40
/
pdf.php
418 lines (380 loc) · 23.5 KB
/
pdf.php
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
<?php
// Чтение текста из PDF
// Версия 0.3
// Автор: Алексей Рембиш a.k.a Ramon
// E-mail: [email protected]
// Copyright 2009
function decodeAsciiHex($input) {
$output = "";
$isOdd = true;
$isComment = false;
for($i = 0, $codeHigh = -1; $i < strlen($input) && $input[$i] != '>'; $i++) {
$c = $input[$i];
if($isComment) {
if ($c == '\r' || $c == '\n')
$isComment = false;
continue;
}
switch($c) {
case '\0': case '\t': case '\r': case '\f': case '\n': case ' ': break;
case '%':
$isComment = true;
break;
default:
$code = hexdec($c);
if($code === 0 && $c != '0')
return "";
if($isOdd)
$codeHigh = $code;
else
$output .= chr($codeHigh * 16 + $code);
$isOdd = !$isOdd;
break;
}
}
if($input[$i] != '>')
return "";
if($isOdd)
$output .= chr($codeHigh * 16);
return $output;
}
function decodeAscii85($input) {
$output = "";
$isComment = false;
$ords = array();
for($i = 0, $state = 0; $i < strlen($input) && $input[$i] != '~'; $i++) {
$c = $input[$i];
if($isComment) {
if ($c == '\r' || $c == '\n')
$isComment = false;
continue;
}
if ($c == '\0' || $c == '\t' || $c == '\r' || $c == '\f' || $c == '\n' || $c == ' ')
continue;
if ($c == '%') {
$isComment = true;
continue;
}
if ($c == 'z' && $state === 0) {
$output .= str_repeat(chr(0), 4);
continue;
}
if ($c < '!' || $c > 'u')
return "";
$code = ord($input[$i]) & 0xff;
$ords[$state++] = $code - ord('!');
if ($state == 5) {
$state = 0;
for ($sum = 0, $j = 0; $j < 5; $j++)
$sum = $sum * 85 + $ords[$j];
for ($j = 3; $j >= 0; $j--)
$output .= chr($sum >> ($j * 8));
}
}
if ($state === 1)
return "";
elseif ($state > 1) {
for ($i = 0, $sum = 0; $i < $state; $i++)
$sum += ($ords[$i] + ($i == $state - 1)) * pow(85, 4 - $i);
for ($i = 0; $i < $state - 1; $i++)
$output .= chr($sum >> ((3 - $i) * 8));
}
return $output;
}
function decodeFlate($input) {
// Наиболее частый тип сжатия потока данных в PDF.
// Очень просто реализуется функционалом библиотек.
return @gzuncompress($input);
}
function getObjectOptions($object) {
// Нам нужно получить параметры текущегго объекта. Параметры
// находся между ёлочек << и >>. Каждая опция начинается со слэша /.
$options = array();
if (preg_match("#<<(.*)>>#ismU", $object, $options)) {
// Отделяем опции друг от друга по /. Первую пустую удаляем из массива.
$options = explode("/", $options[1]);
@array_shift($options);
// Далее создадим удобный для будущего использования массив
// свойств текущего объекта. Параметры вида "/Option N" запишем
// в хэш, как "Option" => N, свойства типа "/Param", как
// "Param" => true.
$o = array();
for ($j = 0; $j < @count($options); $j++) {
$options[$j] = preg_replace("#\s+#", " ", trim($options[$j]));
if (strpos($options[$j], " ") !== false) {
$parts = explode(" ", $options[$j], 2);
$o[$parts[0]] = $parts[1];
} else
$o[$options[$j]] = true;
}
$options = $o;
unset($o);
}
// Возращаем массив найденных параметров.
return $options;
}
function getDecodedStream($stream, $options) {
// Итак, перед нами поток, возможно кодированный каким-нибудь
// методом сжатия, а то и несколькими. Попробуем расшифровать.
$data = "";
// Если у текущего потока есть свойство Filter, то он точно
// сжат или зашифрован. Иначе, просто возвращаем содержимое
// потока назад.
if (empty($options["Filter"]))
$data = $stream;
else {
// Если в опциях есть длина потока данных, то нам нужно обрезать данные
// по заданной длине, а не то расшифровать не сможем или ещё какая
// беда случится.
$length = !empty($options["Length"]) && strpos($options["Length"], " ") === false ? $options["Length"] : strlen($stream);
$_stream = substr($stream, 0, $length);
// Перебираем опции на предмет наличия указаний на сжатие данных в текущем
// потоке. PDF поддерживает много всего и разного, но текст кодируется тремя
// вариантами: ASCII Hex, ASCII 85-base и GZ/Deflate. Ищем соответствующие
// ключи и применяем соответствующие функции для расжатия. Есть ещё вариант
// Crypt, но распознавать шифрованные PDF'ки мы не будем.
foreach ($options as $key => $value) {
if ($key == "ASCIIHexDecode")
$_stream = decodeAsciiHex($_stream);
if ($key == "ASCII85Decode")
$_stream = decodeAscii85($_stream);
if ($key == "FlateDecode")
$_stream = decodeFlate($_stream);
}
$data = $_stream;
}
// Возвращаем результат наших злодейств.
return $data;
}
function getDirtyTexts(&$texts, $textContainers) {
// Итак, у нас есть массив контейнеров текста, выдранных из пары BT и ET.
// Наша новая задача, найти в них текст, который отображается просмотрщиками
// на экране. Вариантов много, рассмотрим пару: [...] TJ и Td (...) Tj
for ($j = 0; $j < count($textContainers); $j++) {
// Добавляем найденные кусочки "грязных" данных к общему массиву
// текстовых объектов.
if (preg_match_all("#\[(.*)\]\s*TJ#ismU", $textContainers[$j], $parts))
$texts = array_merge($texts, @$parts[1]);
elseif(preg_match_all("#Td\s*(\(.*\))\s*Tj#ismU", $textContainers[$j], $parts))
$texts = array_merge($texts, @$parts[1]);
}
}
function getCharTransformations(&$transformations, $stream) {
// О Мама Миа! Этого насколько я мог увидеть, никто не реализовывал на PHP, по крайней
// мере в открытом доступе. Сейчас мы займёмся весёлым, начнём искать по потокам
// трансформации символов. Под трансформацией я имею ввиду перевод одного символа в hex-
// представлении в другой, или даже в некоторую последовательность.
// Нас интересуют следующие поля, которые мы должны отыскать в текущем потоке.
// Данные между beginbfchar и endbfchar преобразовывают один hex-код в другой (или
// последовательность кодов) по отдельности. Между beginbfrange и endbfrange организуется
// преобразование над последовательностями данных, что сокращает количество определений.
preg_match_all("#([0-9]+)\s+beginbfchar(.*)endbfchar#ismU", $stream, $chars, PREG_SET_ORDER);
preg_match_all("#([0-9]+)\s+beginbfrange(.*)endbfrange#ismU", $stream, $ranges, PREG_SET_ORDER);
// Вначале обрабатываем отдельные символы. Строка преобразования выглядит так:
// - <0123> <abcd> -> 0123 преобразовывается в abcd;
// - <0123> <abcd6789> -> 0123 преобразовывается в несколько символов (в данном случае abcd и 6789)
for ($j = 0; $j < count($chars); $j++) {
// Перед списком данных, есть число обозначающее количество строк, которые нужно
// прочитать. Мы будем брать его в рассчёт.
$count = $chars[$j][1];
$current = explode("\n", trim($chars[$j][2]));
// Читаем данные из каждой строчки.
for ($k = 0; $k < $count && $k < count($current); $k++) {
// После этого записываем новую найденную трансформацию. Не забываем, что
// если символов меньше четырёх, мы должны дописать нули.
if (preg_match("#<([0-9a-f]{2,4})>\s+<([0-9a-f]{4,512})>#is", trim($current[$k]), $map))
$transformations[str_pad($map[1], 4, "0")] = $map[2];
}
}
// Теперь обратимся к последовательностям. По документации последовательности бывают
// двух видов, а именно:
// - <0000> <0020> <0a00> -> в этом случае <0000> будет заменено на <0a00>, <0001> на <0a01> и
// так далее до <0020>, которое превратится в <0a20>.
// - <0000> <0002> [<abcd> <01234567> <8900>] -> тут всё работает чуть по другому. Смотрим, сколько
// элементов находится между <0000> и <0002> (вместе с 0001 три). Потом каждому из элементов
// присваиваем значение из квадратных скобок: 0000 -> abcd, 0001 -> 0123 4567, а 0002 -> 8900.
for ($j = 0; $j < count($ranges); $j++) {
// Опять сверяемся с количеством элементов для трансформации.
$count = $ranges[$j][1];
$current = explode("\n", trim($ranges[$j][2]));
// Перебираем строчки.
for ($k = 0; $k < $count && $k < count($current); $k++) {
// В данном случае последовательность первого типа.
if (preg_match("#<([0-9a-f]{4})>\s+<([0-9a-f]{4})>\s+<([0-9a-f]{4})>#is", trim($current[$k]), $map)) {
// Переводим данные в 10-чную систему счисления, так проще прошагать циклом.
$from = hexdec($map[1]);
$to = hexdec($map[2]);
$_from = hexdec($map[3]);
// В массив трансформаций добавляем все элементы между началом и концом последовательности.
// По документации мы должны добавить ведущие нули, если длина hex-кода меньше четырёх символов.
for ($m = $from, $n = 0; $m <= $to; $m++, $n++)
$transformations[sprintf("%04X", $m)] = sprintf("%04X", $_from + $n);
// Второй вариант.
} elseif (preg_match("#<([0-9a-f]{4})>\s+<([0-9a-f]{4})>\s+\[(.*)\]#ismU", trim($current[$k]), $map)) {
// Также начало и конец последовательности. Бъём данные в квадратных скобках
// по (около)пробельным символам.
$from = hexdec($map[1]);
$to = hexdec($map[2]);
$parts = preg_split("#\s+#", trim($map[3]));
// Обходим данные и присваиваем соответствующие данные их новым значениям.
for ($m = $from, $n = 0; $m <= $to && $n < count($parts); $m++, $n++)
$transformations[sprintf("%04X", $m)] = sprintf("%04X", hexdec($parts[$n]));
}
}
}
}
function getTextUsingTransformations($texts, $transformations) {
// Начинаем второй этап - получение текста из "грязных" данных.
// В PDF "грязные" текстовые строки могут выглядеть следующим образом:
// - (I love)10(PHP) - в данном случае в () находятся текстовые данные,
// а 10 являет собой величину проблема.
// - <01234567> - в данном случае мы имеем дело с двумя символами,
// в их HEX-представлении: 0123 и 4567. Оба символа следует проверить
// на наличие замещений в таблице трансформаций.
// - (Hello, \123world!) - \123 здесь символ в 8-чной системе счисления,
// его также требуется верно обработать.
// Что ж поехали. Начинаем потихоньку накапливать текстовые данные,
// перебирая "грязные" текстовые кусочки"
$document = "";
for ($i = 0; $i < count($texts); $i++) {
// Нас интересуют две ситуации, когда текст находится в <> (hex) и в
// () (plain-представление.
$isHex = false;
$isPlain = false;
$hex = "";
$plain = "";
// Посимвольно сканируем текущий текстовый кусок.
for ($j = 0; $j < strlen($texts[$i]); $j++) {
// Выбираем текущий символ
$c = $texts[$i][$j];
// ...и определяем, что нам с ним делать.
switch($c) {
// Перед нами начинаются 16-чные данные
case "<":
$hex = "";
$isHex = true;
break;
// Hex-данные закончились, будем их разбирать.
case ">":
// Бъём строку на кусочки по 4 символа...
$hexs = str_split($hex, 4);
// ...и смотрим, что мы можем с каждым кусочком сделать
for ($k = 0; $k < count($hexs); $k++) {
// Возможна ситуация, что в кусочке меньше 4 символов, документация
// говорит нам дополнить кусок справа нулями.
$chex = str_pad($hexs[$k], 4, "0");
// Проверяем наличие данного hex-кода в трансформациях. В случае
// успеха, заменяем кусок на требуемый.
if (isset($transformations[$chex]))
$chex = $transformations[$chex];
// Пишем в выходные данные новый Unicode-символ.
$document .= html_entity_decode("&#x".$chex.";");
}
// Hex-данные закончились, не забываем сказать об этом коду.
$isHex = false;
break;
// Начался кусок "чистого" текста
case "(":
$plain = "";
$isPlain = true;
break;
// Ну и как водится, этот кусок когда-нибудь закончится.
case ")":
// Добавляем полученный текст в выходной поток.
$document .= $plain;
$isPlain = false;
break;
// Символ экранирования, глянем, что стоит за ним.
case "\\":
$c2 = $texts[$i][$j + 1];
// Если это \ или одна из круглых скобок, то нужно их вывести, как есть.
if (in_array($c2, array("\\", "(", ")"))) $plain .= $c2;
// Возможно, это пробельный символ или ещё какой перевод строки, обрабатываем.
elseif ($c2 == "n") $plain .= '\n';
elseif ($c2 == "r") $plain .= '\r';
elseif ($c2 == "t") $plain .= '\t';
elseif ($c2 == "b") $plain .= '\b';
elseif ($c2 == "f") $plain .= '\f';
// Может случится, что за \ идёт цифра. Таких цифр может быть до 3, они являются
// кодом символа в 8-чной системе счисления. Распарсим и их.
elseif ($c2 >= '0' && $c2 <= '9') {
// Нам нужны три цифры не более, и именно цифры.
$oct = preg_replace("#[^0-9]#", "", substr($texts[$i], $j + 1, 3));
// Определяем сколько символов мы откусили, чтобы сдвинуть позицию
// "текущего символа" правильно.
$j += strlen($oct) - 1;
// В "чистый" текст пишем соответствующий символ.
$plain .= html_entity_decode("&#".octdec($oct).";");
}
// Мы сдвинули позицию "текущего символа" не меньше, чем на один, парсер
// узнай об этом.
$j++;
break;
// Если же перед нами что-то другое, то пишем текущий символ либо во
// временную hex-строку (если до этого был символ <),
default:
if ($isHex)
$hex .= $c;
// либо в "чистую" строку, если была открыта круглая скобка.
if ($isPlain)
$plain .= $c;
break;
}
}
// Блоки текста отделяем переводами строк.
$document .= "\n";
}
// Возвращаем полученные текстовые данные.
return $document;
}
function pdf2text($filename) {
// Читаем данные из pdf-файла в строку, учитываем, что файл может содержать
// бинарные потоки.
$infile = @file_get_contents($filename, FILE_BINARY);
if (empty($infile))
return "";
// Проход первый. Нам требуется получить все текстовые данные из файла.
// В 1ом проходе мы получаем лишь "грязные" данные, с позиционированием,
// с вставками hex и так далее.
$transformations = array();
$texts = array();
// Для начала получим список всех объектов из pdf-файла.
preg_match_all("#obj(.*)endobj#ismU", $infile, $objects);
$objects = @$objects[1];
// Начнём обходить, то что нашли - помимо текста, нам может попасться
// много всего интересного и не всегда "вкусного", например, те же шрифты.
for ($i = 0; $i < count($objects); $i++) {
$currentObject = $objects[$i];
// Проверяем, есть ли в текущем объекте поток данных, почти всегда он
// сжат с помощью gzip.
if (preg_match("#stream(.*)endstream#ismU", $currentObject, $stream)) {
$stream = ltrim($stream[1]);
// Читаем параметры данного объекта, нас интересует только текстовые
// данные, поэтому делаем минимальные отсечения, чтобы ускорить
// выполнения
$options = getObjectOptions($currentObject);
if (!(empty($options["Length1"]) && empty($options["Type"]) && empty($options["Subtype"])))
continue;
// Итак, перед нами "возможно" текст, расшифровываем его из бинарного
// представления. После этого действия мы имеем дело только с plain text.
$data = getDecodedStream($stream, $options);
if (strlen($data)) {
// Итак, нам нужно найти контейнер текста в текущем потоке.
// В случае успеха найденный "грязный" текст отправится к остальным
// найденным до этого
if (preg_match_all("#BT(.*)ET#ismU", $data, $textContainers)) {
$textContainers = @$textContainers[1];
getDirtyTexts($texts, $textContainers);
// В противном случае, пытаемся найти символьные трансформации,
// которые будем использовать во втором шаге.
} else
getCharTransformations($transformations, $data);
}
}
}
// По окончанию первичного парсинга pdf-документа, начинаем разбор полученных
// текстовых блоков с учётом символьных трансформаций. По окончанию, возвращаем
// полученный результат.
return getTextUsingTransformations($texts, $transformations);
}
?>