使用C#开发pdf阅读器初探(基于WPF,没有使用开源库)

2019/04/10 10:10
阅读数 10

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: 点击下载程序

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!

原文出处:https://www.cnblogs.com/yuanchenhui/p/pdf-reader.html

展开阅读全文
打赏
0
1 收藏
分享
加载中
更多评论
打赏
0 评论
1 收藏
0
分享
返回顶部
顶部