CodeS-SourceS
Rechercher un code, un tuto, une réponse

Extraction du contenu d'un document pdf (pdf-1.4)

Mai 2017

Suite à une question du forum, je me suis demandé comment est-ce que fonctionnait un fichier PDF...

Si on regarde la source d'un fichier PDF dans un éditeur du type notepad++, on y trouvera différentes informations. La première étant la version du fichier.

Exemple:
%PDF-1.4
%Çì ¢
5 0 obj
<</Length 6 0
...

Plus loin, on trouve énormément de signes bizarres, il s'agit du contenu du PDF compressé et, en bas de fichier on trouvera des lignes comme:

/CreationDate(D:20071230102921+01'00')
/ModDate(D:20071230102923)
/Title(\376\377\000P\000D\000F\000 \000d\000e\000 \000t\000e\000s\000t)
...


Il n'est pas difficile de se rendre compte que nous avons là les propriétés du PDF, écrites lettre par lettre, chacune commençant par \000. Nous pouvons donc déjà récupérer les propriétés CreationDate, ModDate, Title, Creator, Author, Keywords et Subject en faisant quelques manipulations (cf code plus bas).

Pour récupérer le texte, il faut d'abord l'isoler: il est entouré des balises stream et endstream:

stream
xo­UËN[1...-~xô!OÓ>oiô­>ûÑw,Rúî«endstream


Une fois isolé, il faut le décompresser. Dans le cas présent la compression est standard (on trouve une balise Filter en regardant le contenu du PDF, cette dernière indique la compression utilisée)

<</Length 6 0 R/Filter /FlateDecode>> (cf http://en.wikipedia.org/wiki/DEFLATE_%28algorithm%29)

Après l'avoir décompressée en utilisant gzuncompress, le contenu du fichier PDF apparaît au format PS. Si on y regarde de plus près, on y voit des lignes comme celle-ci:

[(A)-2.7801(u)-2.7801( )-2.77991(p)-2.77991(l)-2.77991(a)-2.77954(i)-2.77991(s)-2.78065(i)-2.77991(r)-2.77991(,)600]TJ

En observant cette ligne, on remarque entre parenthèses des lettres qui, une fois isolées, font la phrase "Au plaisir".
En systématisant ce principe, on récupère tout le texte du PDF!

Voici un essai que j'ai fait chez moi. J'ai cherché à extraire les données du PDF suivant :


En exécutant le bout de code en fin de page, j'ai obtenu ceci:

Date de création: Sunday, 30 December 2007 10:29:21
Date de modification: Sunday, 30 December 2007 10:29:23
Titre du fichier: PDF de test
Création du fichier: PDFCreator Version 0.9.3
Auteur: Malik7934
Mots clés: (non renseigné)
Sujet: Un petit bonjour

Contenu textuel:
new 2 dimanche, 30. décembre 2007 10:28 Bonjour, Voici un fichier PDF tout simple Au plaisir, Malik7934


Et voici le code:

<?php	

function openPDF($filename){
    $handle = fopen($filename,"rb");
    $content = fread($handle, filesize($filename));
    fclose($handle);
    return $content;
}	

function versionPDF($content){
    $p1 = strpos($content,'%')+1;
    $p2 = strpos($content,'%',$p1)-2;      
    $version=substr($content,$p1,$p2);
    return strcmp(trim($version),'PDF-1.4');
}	

function getPDFDate($type){
    if (strcmp($type,'cre')==0)    $input = '/CreationDate';
    if (strcmp($type,'mod')==0)    $input = '/ModDate';
    global $content;
    $p1 = strpos($content,$input)+1;
    $p2 = strpos($content,0x2F,$p1);
    $line = substr($content,strlen($input)+$p1,$p2-$p1-2-strlen($input));
    $row = substr($line,2,14);
    $date = date('l, d F Y H:i:s',mktime(substr($row,8,2),substr($row,10,2),substr($row,12,2),substr($row,4,2),substr($row,6,2),substr($row,0,4)));
      
    return $date;
}	

function getPDFInfo($type){
    if (strcmp($type,'tit')==0)    $input = '/Title';
    if (strcmp($type,'cre')==0)    $input = '/Creator';
    if (strcmp($type,'aut')==0)    $input = '/Author';
    if (strcmp($type,'key')==0)    $input = '/Keywords';
    if (strcmp($type,'sub')==0)    $input = '/Subject';
    global $content;
    $p1 = strpos($content,$input)+1;
    if (strcmp($type,'sub')==0){ $s1 = '>>';$s2 = 1;}
    else{ $s1 = 0x2F; $s2 = 2;}
    $p2 = strpos($content,$s1,$p1);
    $line = substr($content,strlen($input)+$p1,$p2-$p1-$s2-strlen($input));
    $line = preg_replace("/\[0-9]{3}/",'',$line);
    if (trim($line)=='') $line = '(non renseigné)';
  
    return $line;
  
}
  
function getPDFContent($content,$start,$end){
    $s1 = 0;
    $e1 = 0;
    $objc = array();
  
    while ($s1 !== false && $e1 !== false){
        $s1 = strpos($content,$start,$e1)+(strlen($start)+1);
        if ($s1 !== false){
            $e1 = strpos($content,$end,$s1);
            if ($e1 !== false)
                $objc[] = substr($content,$s1,$e1-$s1);
        }
    }
  
    return $objc;
}	

function extractText($content){
    $obj = array();
    $ret = array();
    $mots = array();
  
    preg_match_all(''[([^]]+)]TJ'', $content, $obj);	

    for ($i=0;$i<count($obj[0])-1;$i++){
        preg_match_all(''((.){1})'', $obj[1][$i], $mots[$i]);
      
        $ret[] = implode('',$mots[$i][1]);
    }	

    $ret = implode(' ',$ret);
  
    return $ret;	

}	

function getPDFText($content){
    $gc = getPDFContent($content,'obj','endobj');
    $gc_size = count($gc);
    $streams = array();
    for ($i=0;$i<$gc_size;$i++){
        $sc = getPDFContent($gc[$i],'stream','endstream');
        if (!empty($sc)){
            $streams[] = $sc;
        }
    }
    if (count($streams)>0){
        return extractText(gzuncompress(trim($streams[0][0])));
    }
  
}
/************************************/	

// 1. Ouverture du PDF	

$filename = 'test.pdf';
$content = openPDF($filename);	

// 2. Vérification de la version du PDF - seule 1.4 est supportée	

if (versionPDF($content)!=0)
    echo 'Cette source n'est pas été conçue/testée pour d'autres versions que la version PDF-1.4.<br />Votre fichier a la version '.$version.', désolé';
else{	

    // 3. Récupération des propriétés CreationDate,  ModDate, Title, Creator, Author, Keywords et Subject	

    $creDate     = getPDFDate('cre'); echo 'Date de création: '.$creDate.'<br />';
    $modDate     = getPDFDate('mod'); echo 'Date de modification: '.$modDate.'<br />';
    $title         = getPDFInfo('tit'); echo 'Titre du fichier: '.$title.'<br />';
    $creator     = getPDFInfo('cre'); echo 'Création du fichier: '.$creator.'<br />';
    $author     = getPDFInfo('aut'); echo 'Auteur: '.$author.'<br />';
    $keywords     = getPDFInfo('key'); echo 'Mots clés: '.$keywords.'<br />';
    $sujet         = getPDFInfo('sub'); echo 'Sujet: '.$sujet.'<br /><br />';
  
    //4. Récupération du contenu du PDF  

    $contenu    = getPDFText($content); echo 'Contenu textuel:<br />'.$contenu;
}
?>


Remarque importante :
Ne croyez pas pouvoir utiliser ce code tel quel pour par exemple parser vos fichiers PDFs lors de recherches sur votre site. Plusieurs raisons vont l'empêcher: ce code ne fonctionne que avec PDF-1.4, il ne traite pas les cas cryptés et ne gère que du texte pur.

Le but de ce code est de mettre sur la voie ceux qui seraient intéressés d'aller plus loin en observant le contenu des PDFs et en lisant la doc proposée par Adobe :-)

En espérant que ce petit code/tutoriel serve à quelqu'un!!!

Au plaisir,
Malik7934

A voir également

Publié par malik7934.
Ce document intitulé «  Extraction du contenu d'un document pdf (pdf-1.4)  » issu de CodeS-SourceS (codes-sources.commentcamarche.net) est mis à disposition sous les termes de la licence Creative Commons. Vous pouvez copier, modifier des copies de cette page, dans les conditions fixées par la licence, tant que cette note apparaît clairement.
Les énumérations (enum) en php
Générer un état sous word en php