¿Quieres parsear un PDF?

• El parseo de PDF debería funcionar con base en un orden y una estructura claros, pero en la práctica los archivos con frecuencia no siguen esta especificación
• Se producen diversos errores e inconsistencias al encontrar punteros cross-reference (xref) y offsets
• En la práctica, muchos problemas surgen por datos innecesarios antes del encabezado PDF, o por ubicaciones incorrectas de punteros y offsets
• También hay muchos casos en los que la propia tabla xref del PDF no es clara o está mal formateada
• Por eso, los principales visores implementan lógica adicional para soportar incluso archivos PDF no estándar

---

Enfoque ideal para el parseo de PDF

• En teoría, el parseo de PDF avanza en pasos definidos
  • Buscar el comentario del encabezado de versión al inicio del archivo
  • Buscar el puntero cross-reference (xref)
  • Recolectar todos los offsets de objetos
  • Encontrar el diccionario trailer para acceder a toda la estructura del catálogo

Introducción a los objetos PDF

• Un objeto PDF es la unidad que envuelve y almacena varios elementos del PDF, como números, cadenas y diccionarios
• Cada objeto existe entre los marcadores "obj/endobj"
• Los objetos se conectan entre sí mediante referencias indirectas (indirect reference, por ejemplo: "16 0 R")
• La forma de dividir los objetos dentro del archivo es libre, pero algunos tipos de objeto deben ser necesariamente referencias indirectas

Cómo encontrar offsets de cross-reference

• En la estructura del PDF existe una tabla cross-reference (xref), que funciona como índice de las posiciones de los objetos
• Al final del archivo, la sintaxis "startxref" indica una posición específica en bytes como puntero
• Este puntero señala la ubicación de xref, pero hay diferencias entre la especificación y los archivos reales. Por ejemplo, el marcador "%EOF" debería estar en la última línea, pero en los PDF reales puede aparecer en cualquier lugar dentro de los últimos 1,024 bytes
• En archivos reales se encuentran muchas variaciones: errores de formato del puntero (startref, etc.), falta de saltos de línea y más

Cómo encontrar offsets de objetos

• La tabla xref sigue la secuencia "xref", número inicial de objeto y cantidad de objetos, y en cada línea se registran el offset / número de generación / estado (n o f) de cada objeto
• Puede haber varias tablas xref, o pueden estar conectadas entre sí mediante la entrada /Prev

Búsqueda de la ubicación del diccionario trailer

• Encima del marcador startxref se encuentra el diccionario trailer, que incluye los metadatos esenciales para encontrar el objeto raíz
• A partir del objeto raíz se puede empezar a interpretar toda la estructura

Entorno real: problemas inesperados

• Hay muchos archivos que no cumplen la especificación de PDF, por lo que es difícil procesarlos con un parser común

• Casos en los que suele fallar la búsqueda del puntero cross-reference

  • El puntero no está al final del archivo ni dentro de los últimos 1,024 bytes
  • Errores tipográficos (startref, etc.)
  • Formatos excepcionales

• En una investigación de 3,977 muestras reales de PDF, aproximadamente el 0.5% tenía errores en la declaración xref

El contenido PDF comienza en un offset distinto de 0

• Si hay datos basura (junk) antes del encabezado, todos los offsets de bytes se desplazan y la posición de startxref deja de coincidir
• Hay que recalcular los offsets con base en la posición del encabezado y verificar ambas ubicaciones
• Esto representa cerca del 50% de todos los errores

El puntero xref apunta al medio de la tabla xref

• El offset indicado puede incluso llevar al medio del contenido de la tabla xref
• Se encontró en unos 5 casos de 3,977 muestras

El puntero está cerca de xref

• A menudo el puntero no es exacto, pero solo está desfasado por espacios o saltos de línea justo antes o después de xref

El puntero es correcto, pero los offsets xref son incorrectos

• Los offsets registrados en la tabla xref pueden estar mal por sí mismos
• Puede que solo algunos objetos sean correctos y el resto tenga errores de offset

El primer puntero es normal, pero el offset anterior (/Prev) es extraño

• Hay muchos casos donde el puntero /Prev generado al modificar un PDF guarda un valor incorrecto (por ejemplo, 0)

El formato de la tabla xref es anormal

• Aparecen distintos casos, como "xref" pegado a números sin salto de línea, más entradas de las que se declararon, o datos basura en medio de la tabla
• Muchos de estos casos han sido reportados como issues en PdfPig y otros

Conclusión

• Según la especificación, el parseo de PDF debería seguir un orden estructurado, pero muchos archivos reales no son así, por lo que surgen diversos problemas durante el parseo
• Los visores PDF de uso real incluyen por defecto funciones para ampliar el soporte a PDF no conformes con la especificación
• Este resumen solo cubrió una pequeña parte del parseo correspondiente a la especificación PDF (22 páginas de un total de 1300)