Parser un fichier Pdf

Bonjour à tous,


Je tente depuis quelques jours à "parser" un fichier pdf.... Certains fichiers sont correctement lu, par contre, je bloque sur ce type de fichier, qui une fois dézippé donne cela... :

BT
24.5 803.3 Td /F1 8 Tf[<01>10<02>-10<03>13<04>-4<05>-19<0607>13<05>-6<0608>-6<09>13<0A>2<02>2<0B>-6<05>-6<060C>-2<0702>2<0D>2<0E>-6<060A>2<05>]TJ
ET
Q
q 0 0 0 rg
BT
173 803.3 Td /F1 8 Tf[<03>13<05>-6<0F0704>8<05>-6<0702>-10<06100611>2<12>-6<0F03>13<02>2<05>-6<04>-4<0613141516>]TJ
ET
Q
q 0 0 0 rg

J'ai beau parcourir la doc d'adobe, rien n'est clairement expliqué... Quelqu'un pourrait il éclairer ma lumière? Merci!!!

Qu’est-ce que tu cherches exactement à faire ?

Parser du pdf « à la mimine » est rarement une bonne idée. Disons que faire un interpréteur complet pour pdf (même s’il ne fait pas de rendu) réclame quand même une bonne connaissance en programmation d’analyseurs syntaxiques et grammaticaux, et représente un développement assez conséquent, souvent peu justifiable. La plupart des gens recourent donc à des bibliothèques qui le font pour eux. En gratuit, il y a poppler, mais qui est GPL, donc inutilisable commercialement, et iText, dont la licence change en fonction de la version (à partir de la 5, la version libre n’est plus utilisable commercialement). En payant, il y a pas mal de choix.

La norme du langage est trouvable chez adobe (plutôt que chez iso, où elle est payante) : https://wwwimages2.adobe.com/content...erence_1-7.pdf

Merci, en fait, j'ai dégoté un petit parser qui me lisait la plupart des fichiers simples ( fichiers de texte, sans dessin, sans rien) et je bloquais sur deux type de fichier.... Je jette un oeil sur tout ça et je te dis quoi!!!


Merci!

Je suis un peu ( voire beaucoup perdu)

Il s'agit d'un fichier pdf en version 1.4.

Le texte est simpliste :
abcdefghijklmnopqrstuvwxyz
ABCDEFGHIJKLMNOPQRSTUVWXYZ
0123456789
9876543210

et me donne le résultat suivant un fois dézippé :

0.1 w
q 0 0.1 595.2 841.8 re
W* n
q 0 0 0 rg
BT
56.8 774.1 Td /F1 12 Tf[<01>1<0203>1<04>-7<05>1<06070809>2<0A>-5<0B0C>2<0D>2<0E0F10111213>-2<14>2<151617>-2<18>-7<19>17<1A>]TJ
ET
Q
q 0 0 0 rg
BT
56.8 760.3 Td /F1 12 Tf[<1B>-2<1C1D1E>-2<1F>2<20>6<21>-2<22>-2<2324>6<25>-2<26>2<27>-2<28>-2<29>5<2A>-1<2B>-2<2C2D>-1<2E>2<2F>-2<30>-2<31>10<32>-2<33>-2<34>]TJ
ET
Q
q 0 0 0 rg
BT
56.8 746.5 Td /F1 12 Tf<35363738393A3B3C3D3E>Tj
ET
Q
q 0 0 0 rg
BT
56.8 732.7 Td /F1 12 Tf<3E3D3C3B3A3938373635>Tj
ET
Q
Q

Je ne comprends rien, ni à la logique ni au cheminement à adopter....

Après recherche, je pense avoir découvert la marche à suivre pour 'décoder' le fichier.

Dans le fichier Pdf, il y a une section :
endcodespacerange
62 beginbfchar
<01> <0061>
<02> <0062>
<03> <0063>
<04> <0064>
<05> <0065>
<06> <0066>
<07> <0067>
<08> <0068>
<09> <0069>
<0A> <006A>
<0B> <006B>
<0C> <006C>
<0D> <006D>
<0E> <006E>
<0F> <006F>

La colonne de droite représente un caractère utilisé marqué d'un numéro avec sa correspondance en hexadécimale(qui en ascii correspond au caractère). Il ne me reste plus qu'à effectuer les correspondances nécessaire!!

Citation:

---

Envoyé par white_tentacle

mais qui est GPL, donc inutilisable commercialement

---

C'est un peu raccourci. Rien n'empêche de vendre un logiciel GPL, lui-même, ses améliorations ou son support. On peut aussi garder le logiciel en interne et le transformer en service web (la licence AGPL imposera des conditions sur le web service (il devra lui aussi être en AGPL) mais pas la GPL).
Cependant, il est vrai que j'entends assez souvent : « beaucoup d'entreprises fuient la GPL et même la LGPL » mais je n'ai pas d'exemples personnels.

Bonjour Sotoaleono,
Ce post date un peu mais je tente le coup !!!
Te serai-t-il possible de nous en dire plus sur le Parser que tu utilises, en effet je cherche également pouvoir "analyser" un pdf afin de retrouver un code régulier.
Merci de ton retour
Bonne journée