Vous voulez parser des PDF ?

• Le parsing de PDF devrait fonctionner sur la base d’un ordre et d’une structure clairement définis, mais les fichiers réels ne respectent souvent pas cette spécification
• Diverses erreurs et incohérences apparaissent lors de la recherche des pointeurs de cross-reference (xref) et des offsets
• En pratique, de nombreux problèmes viennent de données inutiles avant l’en-tête PDF, ou d’un mauvais positionnement des pointeurs et des offsets
• Il existe aussi de nombreux cas où la table xref du PDF elle-même est ambiguë ou mal formatée
• C’est pourquoi les principaux lecteurs implémentent en plus une logique prenant en charge même les fichiers PDF non standard

---

Approche idéale du parsing de PDF

• En théorie, le parsing de PDF suit des étapes fixes
  • Rechercher le commentaire d’en-tête de version au début du fichier
  • Rechercher le pointeur de cross-reference (xref)
  • Collecter tous les offsets d’objets
  • Trouver le dictionnaire trailer pour accéder à la structure globale du catalogue

Présentation des objets PDF

• Les objets PDF sont des unités qui encapsulent et stockent différents éléments PDF comme des nombres, des chaînes ou des dictionnaires
• Chaque objet se trouve entre les marqueurs "obj/endobj"
• Les objets sont reliés entre eux par des références indirectes (indirect reference, par exemple : "16 0 R")
• La manière de répartir les objets dans le fichier est libre, mais certains types d’objets doivent obligatoirement être en référence indirecte

Recherche des offsets de cross-reference

• Dans sa structure, un PDF contient une table de cross-reference (xref) qui sert d’index des positions des objets
• À la fin du fichier, la syntaxe "startxref" indique une position en octets précise comme pointeur
• Ce pointeur désigne l’emplacement de la xref, mais il existe des écarts entre la spécification et les fichiers réels. Par exemple, le marqueur "%EOF" est censé être la dernière ligne, alors qu’en pratique il peut se trouver n’importe où dans les 1 024 derniers octets
• Dans les fichiers réels, on observe diverses variantes : erreurs de format du pointeur (startref, etc.), absence de saut de ligne, etc.

Recherche des offsets d’objets

• La table xref enchaîne "xref", le numéro de début des objets et le nombre d’objets, puis enregistre sur chaque ligne l’offset / le numéro de génération / l’état (n ou f) de chaque objet
• Il peut exister plusieurs tables xref, ou elles peuvent être reliées entre elles via l’entrée /Prev

Recherche de l’emplacement du dictionnaire trailer

• Un dictionnaire trailer se trouve au-dessus du marqueur startxref et contient les métadonnées indispensables pour trouver l’objet racine
• À partir de l’objet racine, on peut commencer à interpréter toute la structure

En conditions réelles : des problèmes inattendus

• De nombreux fichiers ne respectent pas la spécification PDF, ce qui les rend difficiles à traiter avec un parseur générique

• Cas fréquents d’échec lors de la recherche du pointeur de cross-reference

  • Le pointeur n’est pas à la fin du fichier ni dans les 1 024 derniers octets
  • Faute de frappe (startref, etc.)
  • Format exceptionnel

• Sur une étude de 3 977 échantillons PDF réels, environ 0,5 % présentaient une erreur dans la déclaration xref

Le contenu PDF ne commence pas à un offset nul

• S’il y a des données parasites (junk) avant l’en-tête, tous les offsets en octets sont décalés et la position de startxref devient incorrecte
• Il faut recalculer les offsets à partir de la position de l’en-tête et vérifier les deux emplacements
• Cela représente environ 50 % des erreurs

Le pointeur xref vise le milieu de la table xref

• L’offset indiqué peut parfois pointer en plein milieu du contenu de la table xref
• Cas observé dans environ 5 fichiers sur 3 977 échantillons

Le pointeur se trouve près de la xref

• Souvent, le pointeur n’est pas exact, mais l’écart correspond seulement à des espaces ou retours à la ligne juste avant ou après la xref

Le pointeur est correct, mais les offsets xref sont faux

• Les offsets enregistrés dans la table xref peuvent eux-mêmes être erronés
• Certains objets peuvent être corrects tandis que d’autres ont des erreurs d’offset

Le premier pointeur est correct, mais l’offset précédent (/Prev) est anormal

• De nombreux cas montrent que le pointeur /Prev, généré lors de la modification d’un PDF, contient une valeur incorrecte (par exemple : 0)

Le format de la table xref est anormal

• Les cas sont variés : "xref" collé aux nombres sans saut de ligne, plus d’entrées que d’objets déclarés, ou données parasites au milieu de la table
• De nombreux signalements de ce type ont été remontés sous forme d’issues dans PdfPig et ailleurs

Conclusion

• Selon la spécification, le parsing de PDF devrait suivre un ordre structuré, mais de nombreux fichiers réels ne s’y conforment pas, ce qui entraîne divers problèmes de parsing
• Les lecteurs PDF utilisés en pratique incluent par défaut des fonctions élargissant la prise en charge des PDF non conformes
• Ce résumé ne traite que d’une partie du parsing correspondant à 22 pages sur les 1 300 pages de la spécification PDF