du binaire au PDF

Bonjour à tous,
Dans le cadre de mes études et plus simplement de ma formation personnelle je cherche à comprendre comment fonctionnent les encodages de caractères particuliers. (non ascii)

Un fichier .pdf a forcément un code source qui sera alors interprété par le reader afin de mettre en page les informations. Lorsqu'on l'ouvre avec le BinaryReader et un char.ConvertFromUtf32(reader.ReadBytes()) le résultat est une suite de caractères incompréhensibles, ce n'est donc pas de l'ASCII.

Quel est donc le type d'encodage utilisé par le pdf? Comment fait on à partir du binaire d'un fichier pour récupérer le source d'un fichier .pdf ?


Merci :)

As tu déjà essayé d'ouvrir un fichier pdf avec notepad ? essayes de lire le fichier en utilisant l'encodage Default et tu aura le même résultat que notepad.

Un pdf est simplement un fichier texte et dedans les objets sont incorporés tels quels. Par exemple, pour une image jpeg on vois dans le PDF à un certain moment l'entête du JPEG :

Citation:

---

ÿØÿà JFIF ...

---

Sinon pour info :
http://fr.wikipedia.org/wiki/Pdf
http://fr.wikipedia.org/wiki/PostScript

L'encodage "Default" du bloc note revient exactement à traiter un fichier comme je l'ai fait avec le BinaryReader. On ouvre le fichier binaire, on lit par packet d'octet ce qui nous donne le code ASCII(int) du caractère que l'on retransforme en caractère compréhensible par l'homme grâce à convertFromUtf32 qui n'est rien de plus qu'un tableau bidimensionnelle avec d'un coté le code ASCII et de l'autre le caractère latin.

Donc tous ces signes bizarres sont enfaite des images sous format texte. Le fichier est donc traitable en lui même.

Je vais chercher comment transformer une image de format texte en une image tout court.

Si vous avez des infos je suis preneur ! :)

Merci

Citation:

---

Envoyé par lightbulb

L'encodage "Default" du bloc note revient exactement à traiter un fichier comme je l'ai fait avec le BinaryReader.

---

Non.
En général ce que le bloc-notes t'affiches c'est ce qui est renvoyé par System.Text.Encoding.Default.GetChars(byte[]) car le BinaryReader lui ne lit que des bytes.
Le plus du bloc notes c'est qu'il sait changer d'encodage s'il trouve que le fichier est en UTF8 ou Unicode, ou ...

Citation:

---

Envoyé par lightbulb

Je vais chercher comment transformer une image de format texte en une image tout court.

---

Hein 8O ?
Tu veux faire quoi exactement ?

Je cherche à comprendre comment fonctionnent les différents reader qui tournent sur le web. Comment font-ils pour transformer ce vieux format tout moche avec plein de symboles incompréhensibles en quelque chose de correct?

La j'ai pris le pdf comme exemple. Mais pour changer prennons l'exemple du .msg format outlook.

Comment tu passes de :

Code:

---

1 2

ÐÏࡱá

---

à

Code:

---

1 2 3

Received: from b0.ovh.net (HELO queue-out) (213.186.33.50) by b0.ovh.net with SMTP; 26 Feb 2009 16:26:03 -0000

---

Tu trouves toi qu'une image bitmap avec le notepad c'est plus joli ?
On prend un exemple, l'image la plus basique qui soit : un header (deux int pour indiquer la taille) et ensuite chaque 3 bytes on a la couleur d'un pixel (RGB).
Si tu t'amuses à faire ça, la vision "textuelle" de ton image sera infâme, mais à la sortie ton programme se contente de lire tous les 3 bytes afin d'assigner une couleur à un pixel et t'obtiens une image.
Partant du même principe, le pdf est interprété : c'est un script qui sera exécuté par les reader et le script va placer les images, les couleurs, les lignes, le texte là où il le faut pour recréer la page d'origine.
De ce fait, je ne vois pas du tout pourquoi tu t'obstines sur l'infâme texte du pdf vu que ce n'est pas censé être lu par un Homme mais par un programme.

Idem, quand tu ouvres ... firefox on va dire ... avec le notepad firefox.exe c'est infâme. C'est pas humainement possible à partir de ça de savoir ce que le code va faire, c'est le pc qui s'en charge.

A au fait,

Citation:

---

ÐÏࡱá

---

ce n'est pas du texte, c'est l'entête d'un fichier qui est en gros une base de donnée. Le texte est à l'intérieure, mais ce n'est pas traduit littéralement ...

On s'est vraiment mal compris je pense. Ce que je cherche c'est le script qui permet justement de décortiquer ces caractères pour en faire un truc lisible. Ce script utilise surement des règles qui sont issue d'une norme et justement je cherche les différentes règles qu'utilise ce script.

Depuis le début tu me dis des choses que je sais déjà. Ce que je demande à comprendre c'est l'interprétation des caractères.

Disont que je veuille faire un reader, comment dois-je m'y prendre?

Bah tu parles de convertir du texte en image, alors que c'est déjà une image ...
Enfin bref. Donc là tu cherches les spécifications du format PDF c'est ça ?
Si oui, ... bon courage :
http://www.adobe.com/devnet/pdf/pdf_reference.html
http://www.adobe.com/devnet/acrobat/...32000_2008.pdf

merci beaucoup