2013-08-17 (土)
PDFの勉強のため内部のテキストを抜き出すプログラム書いたりする．
PDF内のテキストは複雑なので，あまり扱いたくなかったのだけど，そろそろ，自炊本リーダ(仮)でテキスト表示したい．既存のPDFライブラリ使えば良いのだけど．
AdobeのPDFの仕様書と，実際のPDFを見比べながらいろいろ．
*PDF内のテキスト
PDF内のテキストデータは
(Hello)
とか
<037003b103ab03b103ab0c880358>
のような感じに入っています．(ほとんどの場合)英数字はそのまま入ってますが，日本語は謎の16進数が並んでいます．
Font
PageオブジェクトのResources下に，FontというDictionaryがある．そのなかにF1,F2,F3…という名前でフォント情報が列挙されている．
PDFの文字列は，エンコーディングの情報もFontに入っています．なのでFontをどうにかしないと，文字列を取得することすらできません．UTF-8とかなら良いのだけど，大抵はフォントのCIDが書かれています．
Font/Encoding
日本語のPDFでよく見るのは下の2つ．
- Identity-H CID (縦書は-V)
- 90ms-RKSJ-H ShiftJIS (縦書は-V)
Font/DescendantFonts/CIDSystemInfo
Registry, Ordering, Supplementが入っている．
例えば，
- Registry: Adobe
- Ordering: Japan1
- Supplement: 2
Orderingごとに，どのCIDがどの文字に対応するかのマッピングはAdobeが公開している．
ToUnicode
EncodingがIdentityのとき，CIDとUnicodeのマッピングが書かれている．中身はたまに見かけるCMapファイルそのままっぽい．あまり見かけない．