home *** CD-ROM | disk | FTP | other *** search
/ Clickx 115 / Clickx 115.iso / software / tools / windows / tails-i386-0.16.iso / live / filesystem.squashfs / usr / share / pyshared / pdfrw / pdfreader.py < prev    next >
Encoding:
Python Source  |  2011-08-22  |  7.1 KB  |  214 lines
  1. # A part of pdfrw (pdfrw.googlecode.com)
  2. # Copyright (C) 2006-2009 Patrick Maupin, Austin, Texas
  3. # MIT license -- See LICENSE.txt for details
  4.  
  5. '''
  6. The PdfReader class reads an entire PDF file into memory and
  7. parses the top-level container objects.  (It does not parse
  8. into streams.)  The object subclasses PdfDict, and the
  9. document pages are stored in a list in the pages attribute
  10. of the object.
  11. '''
  12.  
  13. from pdftokens import PdfTokens
  14. from pdfobjects import PdfDict, PdfArray, PdfName
  15. from pdfcompress import uncompress
  16.  
  17. class PdfReader(PdfDict):
  18.  
  19.     class unresolved:
  20.         # Used as a placeholder until we have an object.
  21.         pass
  22.  
  23.     def readindirect(self, objnum, gennum):
  24.         ''' Read an indirect object.  If it has already
  25.             been read, return it from the cache.
  26.         '''
  27.  
  28.         def setobj(obj):
  29.             # Store the new object in the dictionary
  30.             # once we have its value
  31.             record[1] = obj
  32.  
  33.         def ordinary(source, setobj, obj):
  34.             # Deal with an ordinary (non-array, non-dict) object
  35.             setobj(obj)
  36.             return obj
  37.  
  38.         fdata, objnum, gennum = self.fdata, int(objnum), int(gennum)
  39.         record = self.indirect_objects[fdata, objnum, gennum]
  40.         if record[1] is not self.unresolved:
  41.             return record[1]
  42.  
  43.         # Read the object header and validate it
  44.         source = PdfTokens(fdata, record[0])
  45.         objid = source.multiple(3)
  46.         assert int(objid[0]) == objnum, objid
  47.         assert int(objid[1]) == gennum, objid
  48.         assert objid[2] == 'obj', objid
  49.  
  50.         # Read the object, and call special code if it starts
  51.         # an array or dictionary
  52.         obj = source.next()
  53.         obj = self.special.get(obj, ordinary)(source, setobj, obj)
  54.         self.readstream(obj, source)
  55.         obj.indirect = True
  56.         return obj
  57.  
  58.     def readstream(obj, source):
  59.         ''' Read optional stream following a dictionary
  60.             object.
  61.         '''
  62.         tok = source.next()
  63.         if tok == 'endobj':
  64.             return  # No stream
  65.  
  66.         assert isinstance(obj, PdfDict)
  67.         assert tok == 'stream', tok
  68.         fdata = source.fdata
  69.         floc = fdata.rindex(tok, 0, source.floc) + len(tok)
  70.         ch = fdata[floc]
  71.         if ch == '\r':
  72.             floc += 1
  73.             ch = fdata[floc]
  74.         assert ch == '\n'
  75.         startstream = floc + 1
  76.         endstream = startstream + int(obj.Length)
  77.         obj._stream = fdata[startstream:endstream]
  78.         source = PdfTokens(fdata, endstream)
  79.         endit = source.multiple(2)
  80.         if endit != 'endstream endobj'.split():
  81.             # /Length attribute is broken, try to read stream
  82.             # anyway disregarding the specified value
  83.             # TODO: issue warning here once we have some kind of
  84.             # logging
  85.             endstream = fdata.index('endstream', startstream)
  86.             if fdata[endstream-2:endstream] == '\r\n':
  87.                 endstream -= 2
  88.             elif fdata[endstream-1] in ['\n', '\r']:
  89.                 endstream -= 1
  90.             source = PdfTokens(fdata, endstream)
  91.             endit = source.multiple(2)
  92.             assert endit == 'endstream endobj'.split()
  93.             obj.Length = str(endstream-startstream)
  94.             obj._stream = fdata[startstream:endstream]
  95.     readstream = staticmethod(readstream)
  96.  
  97.     def readarray(self, source, setobj=lambda x:None, original=None):
  98.         special = self.special
  99.         result = PdfArray()
  100.         setobj(result)
  101.  
  102.         for value in source:
  103.             if value == ']':
  104.                 break
  105.             if value in special:
  106.                 value = special[value](source)
  107.             elif value == 'R':
  108.                 generation = result.pop()
  109.                 value = self.readindirect(result.pop(), generation)
  110.             result.append(value)
  111.         return result
  112.  
  113.     def readdict(self, source, setobj=lambda x:None, original=None):
  114.         special = self.special
  115.         result = PdfDict()
  116.         setobj(result)
  117.  
  118.         tok = source.next()
  119.         while tok != '>>':
  120.             assert tok.startswith('/'), (tok, source.multiple(10))
  121.             key = tok
  122.             value = source.next()
  123.             if value in special:
  124.                 value = special[value](source)
  125.                 tok = source.next()
  126.             else:
  127.                 tok = source.next()
  128.                 if value.isdigit() and tok.isdigit():
  129.                     assert source.next() == 'R'
  130.                     value = self.readindirect(value, tok)
  131.                     tok = source.next()
  132.             result[key] = value
  133.  
  134.         return result
  135.  
  136.     def readxref(fdata):
  137.         startloc = fdata.rindex('startxref')
  138.         xrefinfo = list(PdfTokens(fdata, startloc, False))
  139.         assert len(xrefinfo) == 3, xrefinfo
  140.         assert xrefinfo[0] == 'startxref', xrefinfo[0]
  141.         assert xrefinfo[1].isdigit(), xrefinfo[1]
  142.         assert xrefinfo[2].rstrip() == '%%EOF', repr(xrefinfo[2])
  143.         return startloc, PdfTokens(fdata, int(xrefinfo[1]))
  144.     readxref = staticmethod(readxref)
  145.  
  146.     def parsexref(self, source):
  147.         tok = source.next()
  148.         assert tok == 'xref', tok
  149.         while 1:
  150.             tok = source.next()
  151.             if tok == 'trailer':
  152.                 break
  153.             startobj = int(tok)
  154.             for objnum in range(startobj, startobj + int(source.next())):
  155.                 offset = int(source.next())
  156.                 generation = int(source.next())
  157.                 if source.next() == 'n':
  158.                     objid = self.fdata, objnum, generation
  159.                     objval = [offset, self.unresolved]
  160.                     self.indirect_objects.setdefault(objid, objval)
  161.  
  162.     pagename = PdfName.Page
  163.     pagesname = PdfName.Pages
  164.  
  165.     def readpages(self, node):
  166.         # PDFs can have arbitrarily nested Pages/Page
  167.         # dictionary structures.
  168.         if node.Type == self.pagename:
  169.             return [node]
  170.         assert node.Type == self.pagesname, node.Type
  171.         result = []
  172.         for node in node.Kids:
  173.             result.extend(self.readpages(node))
  174.         return result
  175.  
  176.     def __init__(self, fname=None, fdata=None, decompress=True):
  177.  
  178.         if fname is not None:
  179.             assert fdata is None
  180.             # Allow reading preexisting streams like pyPdf
  181.             if hasattr(fname, 'read'):
  182.                 fdata = fname.read()
  183.             else:
  184.                 f = open(fname, 'rb')
  185.                 fdata = f.read()
  186.                 f.close()
  187.  
  188.         assert fdata is not None
  189.         fdata = fdata.rstrip('\00')
  190.         self.private.fdata = fdata
  191.  
  192.         self.private.indirect_objects = {}
  193.         self.private.special = {'<<': self.readdict, '[': self.readarray}
  194.  
  195.         startloc, source = self.readxref(fdata)
  196.         self.parsexref(source)
  197.         assert source.next() == '<<'
  198.         self.update(self.readdict(source))
  199.         assert source.next() == 'startxref' and source.floc > startloc
  200.         self.private.pages = self.readpages(self.Root.Pages)
  201.         if decompress:
  202.             self.uncompress()
  203.  
  204.         # For compatibility with pyPdf
  205.         self.private.numPages = len(self.pages)
  206.  
  207.  
  208.     # For compatibility with pyPdf
  209.     def getPage(self, pagenum):
  210.         return self.pages[pagenum]
  211.  
  212.     def uncompress(self):
  213.         uncompress([x[1] for x in self.indirect_objects.itervalues()])
  214.