mirror of
https://github.com/wader/fq.git
synced 2024-11-22 07:16:49 +03:00
pdf: Add decoder
This commit is contained in:
Mattias Wadman
parent
a7d54ff190
commit
9c1c3c3fce
@ -39,6 +39,7 @@ import (
|
||||
_ "github.com/wader/fq/format/ogg"
|
||||
_ "github.com/wader/fq/format/opus"
|
||||
_ "github.com/wader/fq/format/pcap"
|
||||
_ "github.com/wader/fq/format/pdf"
|
||||
_ "github.com/wader/fq/format/png"
|
||||
_ "github.com/wader/fq/format/postgres"
|
||||
_ "github.com/wader/fq/format/prores"
|
||||
|
||||
@ -144,6 +144,7 @@ var (
|
||||
Opus_Packet = &decode.Group{Name: "opus_packet"}
|
||||
PCAP = &decode.Group{Name: "pcap"}
|
||||
PCAPNG = &decode.Group{Name: "pcapng"}
|
||||
PDF = &decode.Group{Name: "pdf"}
|
||||
Pg_BTree = &decode.Group{Name: "pg_btree"}
|
||||
Pg_Control = &decode.Group{Name: "pg_control"}
|
||||
Pg_Heap = &decode.Group{Name: "pg_heap"}
|
||||
|
||||
418
format/pdf/pdf.go
Normal file
418
format/pdf/pdf.go
Normal file
@ -0,0 +1,418 @@
|
||||
package pdf
|
||||
|
||||
// https://www.adobe.com/content/dam/acom/en/devnet/pdf/pdfs/PDF32000_2008.pdf
|
||||
// https://feliam.wordpress.com/2010/08/14/pdf-a-broken-spec/
|
||||
// https://github.com/modesty/pdf2json
|
||||
|
||||
// TODO: parse-from-end if possible?
|
||||
// TODO: more unescape?
|
||||
// TODO: streams filters
|
||||
// TODO: refs
|
||||
// TODO: EOL between object number generation "obj"?
|
||||
// Ex:
|
||||
// 202 0
|
||||
// obj
|
||||
// endobj
|
||||
|
||||
import (
|
||||
"bytes"
|
||||
"encoding/hex"
|
||||
"errors"
|
||||
"io"
|
||||
"log"
|
||||
"regexp"
|
||||
"strconv"
|
||||
"strings"
|
||||
|
||||
"github.com/wader/fq/format"
|
||||
"github.com/wader/fq/pkg/decode"
|
||||
"github.com/wader/fq/pkg/interp"
|
||||
"github.com/wader/fq/pkg/scalar"
|
||||
"golang.org/x/text/encoding/charmap"
|
||||
"golang.org/x/text/encoding/unicode"
|
||||
)
|
||||
|
||||
var imageFormat decode.Group
|
||||
|
||||
func init() {
|
||||
interp.RegisterFormat(
|
||||
format.PDF,
|
||||
&decode.Format{
|
||||
Description: "Portable Document Format",
|
||||
Groups: []*decode.Group{format.Probe},
|
||||
DecodeFn: pdfDecode,
|
||||
Dependencies: []decode.Dependency{
|
||||
{Groups: []*decode.Group{format.Image}, Out: &imageFormat},
|
||||
},
|
||||
})
|
||||
}
|
||||
|
||||
var eofLine = `%%EOF`
|
||||
var whitespaceChars = []byte(" \n\r")
|
||||
var delimiterChars = []byte(" \n\r()<>[]{}/%")
|
||||
|
||||
func isWhitespace(b byte) bool { return bytes.IndexByte(whitespaceChars, b) != -1 }
|
||||
|
||||
// \r, \n or \r\n
|
||||
// TODO: figure someting nicer
|
||||
func findLineEnd(d *decode.D) int64 {
|
||||
p := d.Pos()
|
||||
ei, v, err := d.TryPeekFind(8, 8, -1, func(v uint64) bool {
|
||||
return v == '\n' || v == '\r'
|
||||
})
|
||||
if errors.Is(err, io.EOF) {
|
||||
// to support %%EOF not having a line ending
|
||||
eofLineLen := int64(len(eofLine))
|
||||
if d.BitsLeft()*8 >= eofLineLen {
|
||||
return eofLineLen
|
||||
}
|
||||
return -1
|
||||
}
|
||||
if ei == -1 {
|
||||
return ei
|
||||
}
|
||||
ei += 8
|
||||
d.SeekRel(ei)
|
||||
if v == '\r' && d.PeekUintBits(8) == '\n' {
|
||||
ei += 8
|
||||
}
|
||||
d.SeekAbs(p)
|
||||
return ei / 8
|
||||
}
|
||||
|
||||
var strToNumber = scalar.StrFn(func(s scalar.Str) (scalar.Str, error) {
|
||||
if strings.Contains(s.Actual, ".") {
|
||||
// real
|
||||
n, err := strconv.ParseFloat(s.Actual, 64)
|
||||
if err != nil {
|
||||
return s, err
|
||||
}
|
||||
s.Sym = n
|
||||
} else {
|
||||
// integer
|
||||
n, err := strconv.ParseInt(s.Actual, 10, 64)
|
||||
if err != nil {
|
||||
return s, err
|
||||
}
|
||||
s.Sym = n
|
||||
}
|
||||
|
||||
return s, nil
|
||||
})
|
||||
|
||||
func decodeLineStr(d *decode.D) string {
|
||||
ei := findLineEnd(d)
|
||||
if ei == -1 {
|
||||
d.Errorf("could not find line ending")
|
||||
}
|
||||
return strings.TrimRight(d.UTF8(int(ei)), "\r\n")
|
||||
}
|
||||
|
||||
func decodeStrWhitespace(d *decode.D) string {
|
||||
ei, _ := d.PeekFind(8, 8, -1, func(v uint64) bool {
|
||||
return !isWhitespace(byte(v))
|
||||
})
|
||||
if ei == -1 {
|
||||
d.Errorf("could not find line ending")
|
||||
}
|
||||
return d.UTF8(int(ei / 8))
|
||||
}
|
||||
|
||||
func decodeStrUntil(b []byte) func(d *decode.D) string {
|
||||
return func(d *decode.D) string {
|
||||
ei, _ := d.PeekFind(8, 8, -1, func(v uint64) bool {
|
||||
return bytes.IndexByte(b, byte(v)) != -1
|
||||
})
|
||||
if ei == -1 {
|
||||
d.Errorf("could not find ending %d", b)
|
||||
}
|
||||
return d.UTF8(int(ei / 8))
|
||||
}
|
||||
}
|
||||
|
||||
var utf16BEExpect = unicode.UTF16(unicode.BigEndian, unicode.ExpectBOM)
|
||||
var pdfDocEncoding = charmap.ISO8859_1 // TODO: correc?
|
||||
|
||||
// TODO: unescape \N \NN \NNN?
|
||||
func decodeText(bs []byte) string {
|
||||
if s, err := utf16BEExpect.NewDecoder().String(string(bs)); err == nil {
|
||||
return s
|
||||
}
|
||||
if s, err := pdfDocEncoding.NewDecoder().String(string(bs)); err == nil {
|
||||
return s
|
||||
}
|
||||
return string(bs)
|
||||
}
|
||||
|
||||
// "\" + "\n" or "\r" or "\r\n"
|
||||
var eolEscapeRe = regexp.MustCompile("\\\\(?:\n|\r|\r\n)")
|
||||
|
||||
func decodeStrLiteralString(d *decode.D) string {
|
||||
ei, _ := d.PeekFind(16, 8, -1, func(v uint64) bool {
|
||||
c1 := v >> 8
|
||||
c0 := v & 0xff
|
||||
// find non-escaped ")"
|
||||
return c0 != '\\' && c1 == ')'
|
||||
})
|
||||
if ei == -1 {
|
||||
d.Errorf("could not find literal string ending")
|
||||
}
|
||||
|
||||
bs := d.BytesLen(int(ei / 8))
|
||||
bs = eolEscapeRe.ReplaceAll(bs, []byte{})
|
||||
|
||||
return decodeText(bs)
|
||||
}
|
||||
|
||||
var whitespaceRE = regexp.MustCompile(`\s`)
|
||||
|
||||
func decodeStrHexString(d *decode.D) string {
|
||||
ei, _ := d.PeekFind(8, 8, -1, func(v uint64) bool {
|
||||
return v == '>'
|
||||
})
|
||||
if ei == -1 {
|
||||
d.Errorf("could not find literal string ending")
|
||||
}
|
||||
s := d.UTF8(int(ei / 8))
|
||||
// whitespace should be ignored inside hex string
|
||||
hexStr := whitespaceRE.ReplaceAllString(s, "")
|
||||
buf, err := hex.DecodeString(hexStr)
|
||||
if err != nil {
|
||||
d.IOPanic(err, "hex.DecodeString")
|
||||
}
|
||||
return decodeText(buf)
|
||||
}
|
||||
|
||||
func decodeValue(d *decode.D) any {
|
||||
var r any
|
||||
|
||||
if isWhitespace(byte(d.PeekUintBits(8))) {
|
||||
d.FieldStrFn("heading_whitespace", decodeStrWhitespace)
|
||||
}
|
||||
|
||||
// currently only returns value for types whose values we are interested in, atm
|
||||
// only dictionary, name, string and number so we can get stream length and filter
|
||||
|
||||
s := string(d.PeekBytes(2))
|
||||
switch {
|
||||
case (s[0] >= '0' && s[0] <= '9') || s[0] == '+' || s[0] == '-':
|
||||
num := d.FieldStrFn("value", decodeStrUntil(delimiterChars), strToNumber)
|
||||
r = num
|
||||
case s == "<<":
|
||||
d.FieldUTF8("start", 2)
|
||||
d.FieldArray("pairs", func(d *decode.D) {
|
||||
pairs := map[string]any{}
|
||||
for string(d.PeekBytes(2)) != ">>" {
|
||||
d.FieldStruct("pair", func(d *decode.D) {
|
||||
var keyV any
|
||||
var valueV any
|
||||
d.FieldStruct("key", func(d *decode.D) { keyV = decodeValue(d) })
|
||||
d.FieldStruct("value", func(d *decode.D) { valueV = decodeValue(d) })
|
||||
|
||||
if s, ok := keyV.(string); ok {
|
||||
pairs[s] = valueV
|
||||
}
|
||||
})
|
||||
}
|
||||
r = pairs
|
||||
})
|
||||
d.FieldUTF8("end", 2)
|
||||
case s[0] == '[':
|
||||
d.FieldUTF8("start", 1)
|
||||
d.FieldArray("objects", func(d *decode.D) {
|
||||
var objectsV []any
|
||||
for d.PeekUintBits(8) != ']' {
|
||||
var valueV any
|
||||
d.FieldStruct("object", func(d *decode.D) { valueV = decodeValue(d) })
|
||||
objectsV = append(objectsV, valueV)
|
||||
}
|
||||
r = objectsV
|
||||
})
|
||||
d.FieldUTF8("end", 1)
|
||||
case s[0] == '/':
|
||||
d.FieldUTF8("start", 1)
|
||||
name := d.FieldStrFn("value", decodeStrUntil(delimiterChars))
|
||||
r = name
|
||||
case s[0] == '<':
|
||||
d.FieldUTF8("start", 1)
|
||||
s := d.FieldStrFn("value", decodeStrHexString)
|
||||
d.FieldUTF8("end", 1)
|
||||
r = s
|
||||
case s[0] == '(':
|
||||
d.FieldUTF8("start", 1)
|
||||
s := d.FieldStrFn("value", decodeStrLiteralString)
|
||||
d.FieldUTF8("end", 1)
|
||||
r = s
|
||||
case s[0] == 'R':
|
||||
// TODO: should handle references differently?
|
||||
d.FieldUTF8("reference", 1)
|
||||
case s[0] == 't':
|
||||
d.FieldUTF8("value", 4, scalar.StrSym(true))
|
||||
case s[0] == 'f':
|
||||
d.FieldUTF8("value", 5, scalar.StrSym(false))
|
||||
case s[0] == 'n':
|
||||
d.FieldUTF8("value", 4, scalar.StrSym(nil))
|
||||
default:
|
||||
d.Fatalf("unknown type %q", s)
|
||||
}
|
||||
|
||||
if isWhitespace(byte(d.PeekUintBits(8))) {
|
||||
d.FieldStrFn("tailing_whitespace", decodeStrWhitespace)
|
||||
}
|
||||
|
||||
return r
|
||||
}
|
||||
|
||||
func pdfObjBodyDecode(d *decode.D) {
|
||||
d.FieldValueStr("type", "body")
|
||||
d.FieldArray("objects", func(d *decode.D) {
|
||||
d.FieldStruct("object", func(d *decode.D) {
|
||||
d.FieldStrFn("start", decodeLineStr)
|
||||
var dictV any
|
||||
d.FieldStruct("dictionary", func(d *decode.D) { dictV = decodeValue(d) })
|
||||
|
||||
log.Printf("dictV: %#+v\n", dictV)
|
||||
|
||||
endObj := false
|
||||
for !endObj {
|
||||
e := d.Pos()
|
||||
line := decodeLineStr(d)
|
||||
d.SeekAbs(e)
|
||||
|
||||
switch line {
|
||||
case "endobj":
|
||||
d.FieldStrFn("end", decodeLineStr)
|
||||
endObj = true
|
||||
case "stream":
|
||||
d.FieldStruct("stream", func(d *decode.D) {
|
||||
|
||||
d.FieldStrFn("start", decodeLineStr)
|
||||
|
||||
// TODO: proper string find
|
||||
ei, _ := d.PeekFind(64, 8, -1, func(v uint64) bool {
|
||||
return v == (0 |
|
||||
'e'<<56 |
|
||||
'n'<<48 |
|
||||
'd'<<40 |
|
||||
's'<<32 |
|
||||
't'<<24 |
|
||||
'r'<<16 |
|
||||
'e'<<8 |
|
||||
'a')
|
||||
})
|
||||
|
||||
// _ = d.FieldRawLen("data", ei)
|
||||
|
||||
if dv, _, _ := d.TryFieldFormatLen("data", ei, &imageFormat, nil); dv == nil {
|
||||
_ = d.FieldRawLen("data", ei)
|
||||
}
|
||||
|
||||
// d.FieldFormatReaderLen("uncompressed", dataLen, zlib.NewReader, iccProfileFormat)
|
||||
|
||||
// var rFn func(r io.Reader) io.Reader
|
||||
// switch compressionMethod {
|
||||
// case delfateMethod:
|
||||
// *bitio.Buffer implements io.ByteReader so hat deflate don't do own
|
||||
// // buffering and might read more than needed messing up knowing compressed size
|
||||
// rFn = func(r io.Reader) io.Reader { return flate.NewReader(r) }
|
||||
// // }
|
||||
|
||||
// if rFn != nil {
|
||||
// readCompressedSize, uncompressedBB, dv, _, err := d.TryFieldReaderRangeFormat("uncompressed", d.Pos(), ei, rFn, imageFormat, nil)
|
||||
// log.Printf("err: %#+v\n", err)
|
||||
// if uncompressedBB != nil {
|
||||
// if dv == nil {
|
||||
// d.FieldRootBitBuf("uncompressed", uncompressedBB)
|
||||
// }
|
||||
// d.FieldRawLen("compressed", readCompressedSize)
|
||||
// }
|
||||
// }
|
||||
|
||||
d.FieldStrFn("end", decodeLineStr)
|
||||
})
|
||||
default:
|
||||
d.Fatalf("bla")
|
||||
}
|
||||
}
|
||||
})
|
||||
})
|
||||
}
|
||||
|
||||
func pdfDecode(d *decode.D) any {
|
||||
d.FieldStruct("header", func(d *decode.D) {
|
||||
d.FieldUTF8("version", 8, d.StrAssert(
|
||||
"%PDF-1.0",
|
||||
"%PDF-1.1",
|
||||
"%PDF-1.2",
|
||||
"%PDF-1.3",
|
||||
"%PDF-1.4",
|
||||
"%PDF-1.5",
|
||||
"%PDF-1.6",
|
||||
"%PDF-1.7",
|
||||
))
|
||||
|
||||
d.SeekAbs(0)
|
||||
|
||||
// TODO: has binary comment, byte >= 128
|
||||
|
||||
d.FieldArray("comments", func(d *decode.D) {
|
||||
for d.PeekUintBits(8) == '%' {
|
||||
d.FieldStrFn("comment", decodeLineStr)
|
||||
}
|
||||
})
|
||||
})
|
||||
|
||||
d.FieldArray("parts", func(d *decode.D) {
|
||||
for !d.End() {
|
||||
p := d.Pos()
|
||||
|
||||
line := decodeLineStr(d)
|
||||
d.SeekAbs(p)
|
||||
|
||||
switch {
|
||||
case strings.HasPrefix(line, "%"):
|
||||
d.FieldStruct("comment", func(d *decode.D) {
|
||||
d.FieldValueStr("type", "comment")
|
||||
d.FieldStrFn("line", decodeLineStr)
|
||||
})
|
||||
case strings.TrimSpace(line) == "":
|
||||
d.FieldStruct("whitespace", func(d *decode.D) {
|
||||
d.FieldValueStr("type", "whitespace")
|
||||
d.FieldStrFn("line", decodeLineStr)
|
||||
})
|
||||
case strings.HasSuffix(line, "obj"):
|
||||
d.FieldStruct("body", pdfObjBodyDecode)
|
||||
case line == "xref":
|
||||
d.FieldStruct("xref", func(d *decode.D) {
|
||||
d.FieldValueStr("type", "xref")
|
||||
d.FieldStrFn("start", decodeLineStr)
|
||||
d.FieldArray("lines", func(d *decode.D) {
|
||||
for {
|
||||
b := byte(d.PeekUintBits(8))
|
||||
if !(b >= '0' && b <= '9') {
|
||||
break
|
||||
}
|
||||
d.FieldStrFn("start", decodeLineStr)
|
||||
}
|
||||
})
|
||||
})
|
||||
case line == "trailer":
|
||||
d.FieldStruct("trailer", func(d *decode.D) {
|
||||
d.FieldValueStr("type", "trailer")
|
||||
d.FieldStrFn("start", decodeLineStr)
|
||||
d.FieldStruct("dictionary", func(d *decode.D) { decodeValue(d) })
|
||||
})
|
||||
case line == "startxref":
|
||||
d.FieldStruct("startxref", func(d *decode.D) {
|
||||
d.FieldValueStr("type", "startxref")
|
||||
d.FieldStrFn("start", decodeLineStr)
|
||||
d.FieldStrFn("offset", decodeLineStr, strToNumber)
|
||||
})
|
||||
default:
|
||||
d.Fatalf("unknown line %q", line)
|
||||
}
|
||||
}
|
||||
})
|
||||
|
||||
return nil
|
||||
}
|
||||
Loading…
Reference in New Issue
Block a user