c# - 使用 iTextSharp 提取 PDF 注释不一致的原因)

Question

场景:

我有一个应用程序，它利用 iTextSharp 来搜索 PDF 文件中的超链接。

PDF 中的超链接是文件结构中“注释对象”的子类型，因此我的代码本质上是 (1) 读取文件，(2) 循环浏览页面，(3) 获取页面的注释集合，(4)提取页面的超链接注释。

问题

有时，表示给定页面的“pdf 字典”对象没有注释集合(无 /ANNOTS)键。因此，尝试获取此类集合将返回 null。这是一个问题，因为当相关页面上存在明显可见且可点击的链接时，这种情况时不时就会发生。

请注意，可点击在这里很重要，因为我知道纯文本中可能存在 URL 地址，但我不关心这些，只关心实际的真实超链接。 p>

代码

我发现类似的问题(http://stackoverflow.com/questions/6959076/reading-hyperlinks-from-pdf-file)提供的答案几乎正是我已经使用的代码。主要区别在于:

// My code
var pdfAnnotations = (PdfArray)PdfReader.GetPdfObject(pageDict.Get(PdfName.ANNOTS));
foreach (var annotation in pdfAnnotations.ArrayList) {}
                    {

// Chris' code                        
var annotsArray = pageDict.GetAsArray(PdfName.ANNOTS); 
foreach(var annotation in annotsArray.ArrayList) { }

// My pageDict.Get() and Chris's pageDict.GetAsArray() methods both 
// return null because there is no ANNOTS key present in pageDict.

问题

为什么是空值？一个带有明显可见/可点击链接的PDF文档怎么可能没有注释集合呢？文件结构中是否还有其他表示超链接/URI 的 PdfObject 子类型？

谢谢

Answer 1

那么让我尝试猜测一下。 (没有样本可供分析，就没有办法做任何其他事情。)

顺便说一句，在 PDF 代码中，它从不 /ANNOTS - PDF 键区分大小写! -- 始终是 /Annots。

在 PDF 源代码中，像 /Annots 这样的 ASCII 字符串作为名称对象可以用以下任何替代方式表示。根据 PDF 规范，这些都是“合法的”(请参阅​​ PDF-1.7 specification 的第 7.3.5 段，名称对象):

 /Annots
 /#41nnots      # '#41' is the hex represenation of ASCII 'A' in PDF
 /A#6Enots      # '#6E' is the hex represenation of ASCII 'n' in PDF
 /An#6Eots      # '#6E' is the hex represenation of ASCII 'n' in PDF
 /A#6E#6Eots    # '#6E' is the hex represenation of ASCII 'n' in PDF
 ...
 /Annot#73      # '#73' is the hex represenation of ASCII 's' in PDF

你明白了...(如果我的快速计算是正确的，你可以做出 32 种不同的变体...)

顺便说一句，这是黑帽黑客用来混淆恶意软件 PDF 中 /#4Aava#53cript key 的最简单方法之一!更完整的潜在方法列表请参见 'Corkami Project' .)

也许您的 iTextSharp 版本(您没有声明)无法正确处理对 /Annots 名称键的所有表示形式的搜索？

如果是这样，那么我建议您在查找 /Annots 之前标准化每个 PDF 的副本。您可以借助命令行工具(及其 API)qpdf 成功实现此目的。 :

 qpdf --qdf helloworld.pdf qdf---helloworld.pdf

让我们看看:

 kp@mbp:~$  grep nnots helloworld.pdf
      /#41nnots 57 0 R

 kp@mbp:~$  qpdf --qdf helloworld.pdf qdf---helloworld.pdf

 kp@mbp:~$  grep nnots qdf---helloworld.pdf
 qdf---helloworld.pdf:     /Annots 57 0 R