PDF stream extraction

PDFストリーム抽出とは、PDFドキュメントの内部構造からストリームオブジェクトを識別し、アクセスし、取得するプロセスです。 ( 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 ) で定義されているストリームオブジェクトには、ページコンテンツ、画像、フォント、メタデータなどの圧縮またはエンコードされたデータを表すバイトシーケンスが含まれます。PDFファイルを扱う開発者にとって、ストリーム抽出の理解は、ドキュメントの視覚的および構造的要素を定義する生データにアクセスするために不可欠です。

PDFストリーム抽出とは、PDFファイルのオブジェクト構造からストリームオブジェクトを特定し抽出するために使用されるプログラム的な技術を指します。PDFアーキテクチャにおいて、ストリームは、ディクショナリ（メタデータとパラメータを含む）とその後に続くstreamとendstreamキーワードで囲まれたバイナリデータで構成される特定のオブジェクトタイプです。文字列や数値などの単純なオブジェクトとは異なり、ストリームには大量のデータが含まれることがあり、通常、 ( 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 ) で規定されているFlateDecode、DCTDecode、またはその他の圧縮方法などのフィルタを使用して圧縮されています。

ストリーム抽出は、PDF構造のより低いレベルで動作するという点で、コンテンツ抽出とは異なります。コンテンツ抽出はテキストや画像を解釈して使用可能な形式に変換する可能性がありますが、ストリーム抽出は、解釈が行われる前に、ファイル構造から生の、多くの場合エンコードされたデータを直接取得します。ストリーム抽出を行う開発者は、抽出したデータを使用可能にするために、解凍、フィルタチェーン、および適切なデコードを処理する必要があります。

PDF処理アプリケーションを構築する開発者にとって、ストリーム抽出はいくつかの実用的なシナリオで重要です。第一に、アプリケーションが再利用、分析、または変換する必要がある画像、フォント、マルチメディアコンテンツなどの埋め込まれたリソースへのアクセスを可能にします。第二に、ストリーム抽出は、開発者がストリームデータにアクセスして書き換える必要があるコンテンツの変更、ページの結合、最適化などのPDF操作タスクの基本です。第三に、ストリーム抽出の理解は、PDFの問題をデバッグするために不可欠です。生のストリームコンテンツを調べることで、レンダリングの失敗を引き起こすエンコーディングの問題、破損、または非標準の実装がしばしば明らかになるためです。

ストリーム抽出は、アクセシビリティワークフローにおいても重要な役割を果たします。 ( Citation: PDF Association, 2023 PDF Association(2023). Retrieved from https://pdfa.org/resource/tagged-pdf-best-practice-guide-syntax/ ) で説明されているTagged PDFを扱う際、開発者は、適切な構造ツリーの実装を検証したり、支援技術のための代替形式でドキュメントコンテンツを再構築したりするために、コンテンツストリームを抽出して分析する必要がある場合があります。

PDFストリーム抽出は、複数ステップの技術的プロセスに従います。まず、開発者は、通常、相互参照テーブルをトラバースして間接オブジェクトを読み取ることにより、ストリームオブジェクトを見つけるためにPDFファイル構造を解析する必要があります。各ストリームオブジェクトは、ストリームデータのバイト長を示す/Lengthエントリや、データに適用される圧縮またはエンコーディング方法を定義するオプションの/Filterエントリなどの重要なパラメータを指定するディクショナリで始まります。

ストリームオブジェクトが特定されると、抽出プロセスには、streamとendstreamマーカー間の指定されたバイト数の読み取りが含まれます。フィルタが適用されている場合、開発者は、適切な解凍アルゴリズムを順番に適用してデータをデコードする必要があります。一般的なフィルタには、FlateDecode（zlib/deflate圧縮）、DCTDecode（JPEG圧縮）、およびバイナリデータをテキストとしてエンコーディングするためのASCIIHexDecodeまたはASCII85Decodeが含まれます。

特にコンテンツストリームの場合、抽出されたデータは、ページのグラフィカルコンテンツを定義するPDFコンテンツ演算子とオペランドのシーケンスで構成されます。これらは、描画コマンド、テキスト配置、およびグラフィカル状態の変更を解釈するために、さらに解析する必要があります。開発者は通常、低レベルの解析とフィルタ適用を処理するPDFライブラリを使用しますが、基本的なメカニズムを理解することは、トラブルシューティングと高度な操作タスクに役立ちます。

• ストリームオブジェクト（Stream object） – バイトシーケンスを含むPDFオブジェクトタイプで、圧縮またはエンコードされている可能性がある
• コンテンツストリーム（Content stream） – PDF演算子を使用してページコンテンツをレンダリングするための命令を含む特定のタイプのストリーム
• フィルタ（Filter） – FlateDecodeやDCTDecodeなど、ストリームデータに適用される圧縮またはエンコーディングアルゴリズム
• 相互参照テーブル（Cross-reference table） – ストリームを含むオブジェクトへのランダムアクセスを可能にするPDF内のインデックス構造
• 間接オブジェクト（Indirect object） – 他のオブジェクトから参照できるPDF構造内の番号付きオブジェクトで、ストリームの主要なコンテナ