Ohraničená obnova křížových referencí

HotPDF umí obnovit skutečný graf objektů a strom stránek, když má PDF chybějící, neplatnou nebo zastaralou deklaraci startxref nebo nepoužitelné řádky xref

Sekvence obnovy

1. Nejprve běží normální loader v souladu se specifikací ve výchozím režimu xrrmOnFailure
2. Obnova skenuje zdroj v 1 MiB chunkách s krátkým přenosem mezi chunky a zaznamenává validované nepřímé objekty a kotvy xref
3. Značky vnořené uvnitř validovaného nepřímého objektu jsou odmítnuty, včetně řetězců, komentářů, slovníků a binárních dat proudu obsahujících text jako 99 0 obj nebo xref
4. Platné tabulky nebo proudy xref jsou zkoušeny od nejnovějšího po nejstarší přes existující inkrementální, hybridní a object-stream loader
5. Je zachováno maximálně 4 096 kotev sekcí xref, což zabraňuje, aby advesariální opakování značek násobilo pokusy o parsování
6. Pokud žádná sekce xref nevytvoří skutečný strom stránek, jsou offsety přímých objektů přestavěny a duplicitní čísla objektů použijí nejnovější fyzickou definici
7. Obnova uspěje jen tehdy, když se vyřeší skutečný Catalog, strom Pages a alespoň jeden list stránky

Deklarace

type
  THPDFXRefRecoveryMode = (
    xrrmDisabled,
    xrrmOnFailure,
    xrrmForce
  );

  THPDFXRefRecoveryStatus = (
    xrrsNotNeeded,
    xrrsSucceeded,
    xrrsDisabled,
    xrrsScanLimitExceeded,
    xrrsObjectLimitExceeded,
    xrrsXRefLimitExceeded,
    xrrsFailed
  );

  THPDFXRefRecoveryMethod = (
    xrrmethodNone,
    xrrmethodRelocatedSection,
    xrrmethodRebuiltObjectOffsets
  );

  THPDFXRefMergeInfo = record
    HybridRevisionCount: Integer;
    HybridOverlapCount: Integer;
    OlderRevisionShadowedEntryCount: Integer;
    DuplicateEntryCount: Integer;
    NewestRevisionPrecedenceApplied: boolean;
    HybridStreamPrecedenceApplied: boolean;
  end;

property XRefRecoveryMode: THPDFXRefRecoveryMode;
property XRefRecoveryMaxScanBytes: Int64;
property XRefRecoveryMaxObjects: Integer;

function GetLoadedXRefRecoveryInfo(
  out Info: THPDFXRefRecoveryInfo
): boolean;

function GetLoadedXRefMergeInfo(
  out Info: THPDFXRefMergeInfo
): boolean;

Konfigurace

Informace o obnově

GetLoadedXRefRecoveryInfo vrací True, když byla obnova zkusena, a kopíruje nejnovější záznam THPDFXRefRecoveryInfo

• Status rozlišuje úspěch, zakázanou obnovu, selhání bajtového limitu, selhání limitu objektů, selhání limitu kotev xref a strukturální selhání
• Method identifikuje přemístěnou sekci xref nebo přestavěné offsety přímých objektů
• BytesScanned, CandidateObjectCount, RecoveredObjectCount, DuplicateObjectCount, RejectedCandidateCount a XRefCandidateCount zpřístupňují ohraničenou práci a kvalitu obnovy
• SelectedXRefOffset identifikuje přemístěnou sekci, když tato metoda uspěje
• Diagnostic obsahuje stručný anglický popis výsledku

Informace o slučovací přednosti

GetLoadedXRefMergeInfo vrací True, když načítání proudu xref nebo hybridních referencí narazilo na stav sloučení, který stojí za nahlášení

• HybridRevisionCount počítá tradiční revize, které přispěly bočním proudem xref přes
• FirstByte je inkluzivní a EndByte exkluzivní, přičemž obě hodnoty jsou -1, když žádný zdrojový rozsah neexistuje
• ObjectNumber a GenerationNumber identifikují kandidáty nepřímých objektů a používají -1 pro události na úrovni dokumentu nebo xref kotvy
• Confidence postupuje od prcNone přes nízkou, střední, vysokou až po ověřený výsledek
• LoadedParserRecoveryEventDroppedCount hlásí události vynechané po nastaveném limitu zachovávání, čímž drží paměť ohraničenou na nepřátelských vstupech

Informace o prioritách slučování

GetLoadedXRefMergeInfo vrací True, když načítání xref streamů nebo hybridních referencí narazilo na stav slučování stojící za hlášení

• HybridRevisionCount/XRefStm
• HybridOverlapCount počítá položky tabulky již dodané proudem xref stejné revize, který má přednost
• OlderRevisionShadowedEntryCount počítá položky ignorované, protože novější revize již definovala dané číslo objektu
• DuplicateEntryCount počítá opakované položky uvnitř nejnovější nehybridní sekce
• Dva příznaky přednosti uvádějí, zda bylo odpovídající pravidlo uplatněno, nikoliv pouze dostupné

Ukládání obnovených dokumentů

Obnovený dokument vždy používá cestu úplného přepsání v SaveLoadedDocument, i když nebyl editován žádný objekt, takže HotPDF nikdy nekopíruje poškozené bajty zdroje jako zdánlivě opravený výstup

Detail zastínění zahrnuje aktivní a odmítnuté typy položek, offsety nebo úložná pole, generace a hloubku revize, s pevným stropem detailů 256 položek

Ukládání obnovených dokumentů

Obnovený dokument vždy použije v SaveLoadedDocument cestu plného přepisu, i když nebyl upraven žádný objekt, takže HotPDF nikdy nezkopíruje poškozené zdrojové bajty jako zjevně opravený výstup

Příklad

var
  Info: THPDFXRefRecoveryInfo;
  PDF: THotPDF;
begin
  PDF := THotPDF.Create(nil);
  try
    PDF.XRefRecoveryMode := xrrmOnFailure;
    PDF.XRefRecoveryMaxScanBytes := Int64(16) * 1024 * 1024 * 1024;
    PDF.XRefRecoveryMaxObjects := 3000000;
    if PDF.LoadFromFile('damaged.pdf') > 0 then
    begin
      if PDF.GetLoadedXRefRecoveryInfo(Info) then
        WriteLn(Info.Diagnostic);
      PDF.SaveLoadedDocument('recovered.pdf');
    end;
  finally
    PDF.Free;
  end;
end;

Související API

• LoadFromFile
• LoadFromStream
• SaveLoadedDocument
• GetLoadedFileStructureInfo