Metadata decompression

メタデータ解凍とは、PDF文書内の圧縮されたメタデータストリームを抽出し、デコードして読み取り可能かつ編集可能な状態にするプロセスです。PDFファイルには様々な形式のメタデータが含まれることがあり、このメタデータが圧縮フィルタ（Flate圧縮など）を使用して保存されている場合、アプリケーションが解析して利用する前に解凍する必要があります ( Citation: N.A., 2020 (N.A.). (2020). Document management — Portable document format — Part 2: PDF 2.0 .  International Organization for Standardization Retrieved from https://www.iso.org/standard/75839.html ) 。このプロセスは、文書プロパティ、構造情報、またはアクセシビリティデータにアクセスする必要があるPDFプロセッサにとって不可欠です。

メタデータ解凍とは、具体的にはPDF文書内の圧縮されたメタデータストリームをデコードすることを指します。一般的なPDFコンテンツの解凍とは異なり、メタデータ解凍は標準的なPDF圧縮フィルタを使用して圧縮されている可能性のあるメタデータストリームから情報を抽出することに焦点を当てています。PDF仕様では、特にXMP（Extensible Metadata Platform）メタデータパケットやその他のメタデータ構造について、ファイルサイズを削減するためにメタデータを圧縮形式で保存することが許可されています ( Citation: N.A., 2020 (N.A.). (2020). Document management — Portable document format — Part 2: PDF 2.0 .  International Organization for Standardization Retrieved from https://www.iso.org/standard/75839.html ) 。

これは、メタデータを読み取る前に追加の解凍ステップが必要となる点で、単純なメタデータ抽出とは異なります。PDFの一部のメタデータは非圧縮の辞書エントリとして保存されていますが、複雑または長大なメタデータ、特にXMPメタデータは圧縮されていることが多く、解析前に明示的な解凍が必要です。

PDF文書を扱う開発者にとって、メタデータ解凍は以下のような実用的な理由から極めて重要です：

• アクセシビリティ対応: メタデータには、アクセシブルなPDFに必要な重要な情報が含まれており、支援技術が依拠する構造情報や文書プロパティが含まれます ( Citation: N.A., 2014 (N.A.). (2014). Document management applications — Electronic document file format enhancement for accessibility — Part 1: Use of ISO 32000-1 (PDF/UA-1) .  International Organization for Standardization Retrieved from https://www.iso.org/standard/64599.html )
• 文書処理: 文書メタデータを抽出、検証、または修正する自動化ワークフローでは、基礎となる情報にアクセスするためにこれらのストリームを解凍する必要があります
• 検索とインデックス作成: コンテンツ管理システムや検索エンジンは、PDF文書を適切にインデックス化し、検索可能にするためにメタデータを解凍する必要があります
• 検証とコンプライアンス: PDF検証ツールは、文書が特定の標準や規制要件を満たしているかを確認するためにメタデータを解凍する必要があります

メタデータ解凍プロセスは通常、以下のステップに従います：

1. ストリームの識別: PDFプロセッサは、文書カタログ内のメタデータエントリや、ファイルに埋め込まれたXMPパケットなど、文書構造内のメタデータストリームを特定します
2. フィルタの検出: プロセッサはストリーム辞書を調べて、どの圧縮フィルタが適用されているかを識別します（一般的にはFlateDecode、その他の可能性もあります）
3. 解凍の実行: 圧縮されたバイトストリームに適切な解凍アルゴリズムが適用されます。通常、Flate/zlib解凍を実装した標準ライブラリが使用されます
4. XMLパース: 解凍後、メタデータ（XMPの場合は通常XML形式）がアプリケーションがクエリや操作を行える使用可能なデータ構造に解析されます

解凍されたメタデータは、検証、修正が可能で、PDFをストレージに書き戻す際に再圧縮することができます。最新のPDFライブラリは通常このプロセスを自動的に処理しますが、低レベルのPDF操作を行う開発者やカスタムPDFプロセッサを実装する開発者は、メタデータを正しく処理するためにこのワークフローを理解する必要があります ( Citation: N.A., 2020 (N.A.). (2020). Document management — Portable document format — Part 2: PDF 2.0 .  International Organization for Standardization Retrieved from https://www.iso.org/standard/75839.html ) 。

• XMPメタデータ – PDF文書に記述情報を埋め込むためのExtensible Metadata Platform標準
• 圧縮フィルタ – ファイルサイズを削減するためにPDFストリームに適用されるアルゴリズム（FlateDecodeやLZWDecodeなど）
• 文書カタログ – メタデータやその他の文書レベルの情報への参照を含む、PDFの文書構造のルートオブジェクト
• ストリームオブジェクト – バイト列を含むPDFオブジェクト。圧縮されている可能性があり、処理には解凍が必要
• Tagged PDF – 適切な解釈のためにメタデータに依存する構造マークアップを持つPDF文書 ( Citation: PDF Association, 2023 PDF Association(2023). Retrieved from https://pdfa.org/resource/tagged-pdf-best-practice-guide-syntax/ )