PDF’yi parse etmek mi istiyorsunuz?

(eliot-jones.com)

15 puan yazan GN⁺ 2025-08-04 | Henüz yorum yok. | WhatsApp'ta paylaş

PDF ayrıştırma, net bir sıra ve yapı temelinde çalışmalıdır; ancak gerçek dosyalar çoğu zaman bu kurala uymaz
cross-reference (xref) işaretçileri ve ofsetlerin bulunması sırasında çeşitli hatalar ve tutarsızlıklar ortaya çıkar
Pratikte birçok sorun, PDF başlığından önceki gereksiz veriler ya da işaretçi ve ofsetlerin yanlış konumlanması nedeniyle oluşur
PDF xref tablosunun kendisinin belirsiz veya hatalı biçimlendirilmiş olduğu pek çok durum da vardır
Bu yüzden başlıca görüntüleyiciler, standart dışı PDF dosyalarını da destekleyen ek mantıklar uygular

PDF ayrıştırmaya ideal yaklaşım

PDF ayrıştırma teorik olarak belirli adımlarla ilerler
- Dosyanın başlangıcında sürüm başlığı yorumunu bulur
- cross-reference (xref) işaretçisini bulur
- Tüm nesne ofsetlerini toplar
- trailer sözlüğünü bularak genel katalog yapısına erişir

PDF nesneleri, sayı, string, sözlük gibi çeşitli PDF öğelerini sarmalayıp saklayan birimlerdir
Her nesne, obj/endobj işaretleri arasında bulunur
Nesneler, dolaylı referans (indirect reference, ör. 16 0 R) yöntemiyle birbirine bağlanır
Dosya içindeki nesne bölümlenmesi serbesttir; ancak bazı nesne türleri mutlaka dolaylı referans olmalıdır

PDF yapısında, nesne konumları için bir indeks görevi gören cross-reference (xref) tablosu bulunur
Dosyanın sonunda startxref ifadesiyle belirli bir bayt konumu işaretçi olarak belirtilir
Bu işaretçi xref konumunu gösterir; ancak spesifikasyon ile gerçek dosyalar arasında farklar vardır. Örneğin %EOF işaretinin aslında son satırda olması gerekirken, gerçek PDF’lerde son 1.024 bayt içindeki herhangi bir yerde olabilir
Gerçek dosyalarda işaretçi biçim hataları (startref vb.), satır sonu eksikliği gibi çeşitli varyasyonlar görülür

xref tablosunda sırasıyla xref, nesne başlangıç numarası ve nesne sayısı yer alır; her nesnenin ofseti/oluşturma numarası/durumu (n veya f) bir satıra yazılır
Birden fazla xref tablosu olabilir ya da bunlar /Prev girdisi üzerinden birbirine bağlanabilir

startxref işaretinin üst tarafında trailer sözlüğü bulunur ve kök nesneyi bulmak için gerekli temel meta verileri içerir
Kök nesne temel alınarak tüm yapının yorumlanmasına başlanabilir

PDF spesifikasyonuna uymayan çok sayıda dosya bulunduğundan, genel amaçlı ayrıştırıcılarla bunları işlemek zordur
cross-reference işaretçisi aramasında sık görülen başarısızlık durumları
- İşaretçi dosya sonunda veya son 1.024 bayt içinde değildir
- Yazım hataları (startref vb.)
- İstisnai biçimler
3.977 gerçek PDF örneği üzerinde yapılan incelemede, yaklaşık %0,5’inde xref bildirimi hatası bulundu

Başlıktan önce gereksiz veri (junk) varsa, tüm bayt ofsetleri kayar ve startxref konumu bozulur
Ofsetler başlığın konumuna göre yeniden hesaplanmalı ve her iki konum da kontrol edilmelidir
Bu durum tüm hataların yaklaşık %50’sini oluşturur

Çoğu zaman işaretçi tam doğru değildir; ancak xref’in hemen öncesi veya sonrasındaki boşluk ya da satır sonu karakteri farkı kadar kaymıştır

PDF düzenlenirken oluşan /Prev işaretçisinde hatalı değerlerin (ör. 0) saklandığı çok sayıda örnek vardır

Satır sonu olmadan xref ile sayıların bitişmesi, bildirilen nesne sayısından fazla giriş bulunması veya tablonun ortasında çöp veri yer alması gibi farklı durumlar görülebilir
Bu tür örnekler PdfPig gibi projelerde issue olarak sıkça raporlanmıştır

Spesifikasyona göre PDF ayrıştırma standart bir sırayla yapılmalıdır; ancak gerçek dosyaların çoğu böyle olmadığından ayrıştırma sırasında çeşitli sorunlar ortaya çıkar
Gerçek kullanımda PDF görüntüleyicileri, standart dışı PDF desteğini genişleten özellikleri temel olarak içerir
Bu özet, PDF spesifikasyonunun (toplam 1300 sayfanın 22 sayfasına karşılık gelen) yalnızca küçük bir ayrıştırma bölümünü ele aldı