Apa yang Terkandung dalam PDF: Objek, Aliran, dan Jadual Rujukan Silang

PDF bukan longgokan halaman yang rata. Ia ialah pangkalan data kecil yang terdiri daripada objek, banyak daripadanya disimpan sebagai aliran termampat, dikesan melalui jadual rujukan silang (xref) supaya pembaca boleh melompat terus ke objek 17 tanpa mengimbas seluruh fail. Apabila peta itu rosak, pembaca menganggap fail itu rosak walaupun bait halaman masih berada di cakera.

Objek

Segala yang menarik (halaman, fon, imej, metadata, katalog dokumen) ialah objek yang mempunyai nombor. Halaman merujuk kepada aliran kandungan dan sumber; sumber merujuk kepada fon dan XObject; katalog merujuk kepada pokok halaman. Alat yang menggabungkan, memutar, atau mengecap kebanyakannya menulis semula graf itu, bukan melukis semula piksel.

Aliran

Aliran ialah objek yang muatannya berupa jujukan bait, selalunya dimampatkan dengan Flate: operator kandungan halaman, fail fon tertanam, data imej. Atas sebab itu, melihat PDF dalam penyunting teks akan menunjukkan campuran token ASCII dan data binari. Mengembangkan aliran (tanpa mengubah rupa halaman) berguna untuk nyahpepijat; Mampatkan PDF di tapak ini memampatkan semula aliran tersebut dengan qpdf, bukan menurunkan sampel imej atau subset fon.

Jadual rujukan silang

Berhampiran penghujung fail biasa, bahagian xref (atau aliran xref dalam fail yang lebih baharu) menyenaraikan ofset bait bagi setiap nombor objek. Pembaca mencari terus ke ofset tersebut. Muat turun yang terpotong, gabungan yang buruk, dan simpanan yang separuh siap sering meninggalkan treler yang menunjuk ke ofset yang tidak lagi sepadan. Piksel halaman pertama mungkin masih wujud; peta yang menemui "halaman pertama" tidak.

Itulah sebabnya pembaikan struktur ialah tugasan yang berbeza daripada OCR atau buka kunci: pembaikan membina semula struktur dalaman daripada baki yang sah; ia tidak mencipta seni halaman yang hilang atau meneka kata laluan.

Periksa dahulu sebelum menulis semula

Maklumat dokumen memulangkan laporan JSON (kiraan halaman, metadata, fon, butiran struktur), bukan PDF yang diubah suai. Gunakannya apabila anda perlu tahu apa yang anda pegang sebelum melakukan compress, convert, atau repair.

Jika pembaca langsung tidak mahu membuka fail itu, cuba Baiki PDF, yang membina semula struktur termasuk pemulihan rujukan silang. Jika fail itu boleh dibuka tetapi teks imbasan tidak boleh dipilih, itu masalah OCR, bukan masalah xref.

Urutan keputusan yang ringkas

1. Fail tidak boleh dibuka → Baiki PDF dahulu.
2. Fail boleh dibuka; anda memerlukan fakta (halaman, fon, petunjuk penyulitan) → Maklumat dokumen.
3. Struktur sudah baik; anda mahukan fail yang lebih kecil atau teks yang boleh dibaca daripada imbasan → Mampatkan PDF untuk saiz, atau OCR untuk teks Markdown, bukan pusingan pembaikan lagi.

Kedua-dua Maklumat dokumen dan Baiki PDF berjalan tanpa akaun. Untuk operasi yang sama melalui HTTP, lihat Pembangun. Untuk melihat bagaimana Baiki PDF berbeza daripada produk "recovery" desktop berjenama, lihat Baiki PDF dalam talian berbanding carian Recovery Toolbox.