تعمیر PDF خراب

طبق مشخصات ISO 32000، یک PDF مانند فایل متنی از ابتدا تا انتها به‌ترتیب خوانده نمی‌شود. در عوض، نمایشگرهای سازگار PDF با خواندن انتهای فایل شروع می‌کنند، توکن startxref را پیدا می‌کنند و جدول ارجاع متقابل (XRef) را می‌خوانند که هر شماره شیء غیرمستقیم را به آفست بایت فیزیکی دقیق آن از ابتدای فایل نگاشت می‌کند.

بیشتر رخدادهای خرابی از شکست در این سامانه نمایه‌سازی ناشی می‌شوند:

۱. فایل‌های بریده‌شده: اگر دانلودی در ۹۵٪ تکمیل متوقف شود، تریلر فایل (%%EOF) و جدول XRef در انتهای جریان بایت کاملاً از دست می‌روند. نمایشگرهای استاندارد بی‌درنگ شکست می‌خورند زیرا نمی‌توانند کاتالوگ ریشه را پیدا کنند.

۲. رانش آفست بایت: اگر یک PDF از طریق سرور ایمیل یا کلاینت FTP ای ارسال شود که داده دودویی را به اشتباه متن ASCII تلقی می‌کند، پایان خطوط ممکن است از UNIX ‏(LF) به Windows ‏(CRLF) تبدیل شوند. درج یک بایت اضافه (0x0D) در هر خط جدید همه موقعیت‌های بایت بعدی را جابه‌جا می‌کند و باعث می‌شود تک‌تک اشاره‌گرهای جدول XRef به داده نامعتبر اشاره کنند.

۳. تریلرهای بدشکل: خرابی نرم‌افزار هنگام ذخیره اغلب واژه‌نامه تریلر را بسته‌نشده رها می‌کند یا ارجاع‌های حلقوی میان اشیا باقی می‌گذارد.

وقتی جدول ارجاع متقابل خراب یا مفقود است، یک موتور تعمیر حرفه‌ای باید جدول XRef را کاملاً کنار بگذارد و اسکن ابتکاری خطی بایت‌ها را در کل محتوای فایل انجام دهد.

موتور بازیابی سمت کاربر ما ArrayBuffer خام را برای الگوی عبارت منظم '\d+\s+\d+\s+obj' اسکن می‌کند و آفست بایت فیزیکی هر سرآیند شیء غیرمستقیم را شناسایی می‌کند. شماره شیء و شماره نسل را می‌خواند و واژه‌نامه یا جریان شیء را تا توکن 'endobj' متناظر تجزیه می‌کند.

موتور از طریق این اسکن خطی، فهرستی درون حافظه از تک‌تک واژه‌نامه‌ها، صفحات، XObjectهای تصویری، فونت‌ها و جریان‌های محتوای باقی‌مانده بازسازی می‌کند و صرف‌نظر از میزان آسیب جدول XRef اصلی، دسترسی به محتوای سند را کاملاً بازمی‌گرداند.

پس از فهرست شدن همه اشیای خام در حافظه، موتور تعمیر باید سلسله‌مراتب منطقی سند را برقرار کند. در مخزن اشیا به دنبال واژه‌نامه‌ای حاوی '/Type /Catalog' ‏(یا واژه‌نامه‌ای حاوی '/Pages') می‌گردد.

اگر شیء کاتالوگ اصلی آسیب‌دیده یا بریده شده باشد، موتور ما یک واژه‌نامه کاتالوگ کاملاً جدید می‌سازد. همه اشیای دارای '/Type /Page' را پیمایش، ارجاع‌های /MediaBox و /Contents مربوط به هرکدام را حل و یک درخت /Pages متوازن می‌سازد.

اگر برخی واژه‌نامه‌های صفحه ارجاع /Parent نداشته باشند یا جریان‌های محتوای یتیم داشته باشند، موتور آن‌ها را دوباره در یک توالی خطی صفحات قرار می‌دهد و تا جای ممکن صفحات خوانا را از داده‌های باقی‌مانده بازیابی می‌کند.

یکی دیگر از علل رایج خطاهای مهلک تجزیه، اعلام نادرست طول جریان است. هر شیء جریان در PDF اندازه بایتی خود را با کلید /Length مشخص می‌کند. اگر رانش آفست یا بریدگی انتقال طول جریان را تغییر دهد، نمایشگرها یا پیش از موعد خواندن را متوقف می‌کنند یا خطای رفع فشرده‌سازی جریان می‌دهند.

موتور تعمیر ما هر شیء جریان میان نشانگرهای 'stream' و 'endstream' را بررسی می‌کند. طول بایت فیزیکی دقیق را دوباره محاسبه، جریان را با رفع فشرده‌سازی FlateDecode ‏(Zlib) آزمایش، مرزهای بدشکل جریان را اصلاح و کلید /Length را متناسب به‌روزرسانی می‌کند. گرافیک‌های وکتوری و جریان‌های متنی خراب به‌طور تمیز بازیابی می‌شوند.

مرحله نهایی تعمیر PDF سمت کاربر، سریال‌سازی مجدد است. موتور همه اشیای بازیابی‌شده را در یک توالی دودویی تمیز سرهم می‌کند، آفست‌های دقیق بایت هر شیء را از بایت صفر محاسبه می‌کند و یک جدول ارجاع متقابل (XRef) کاملاً جدید و بی‌نقص نمایه‌شده تولید می‌کند.

یک واژه‌نامه تریلر استاندارد که به شیء کاتالوگ تأییدشده اشاره می‌کند می‌افزاید، اشاره‌گر آفست 'startxref' را می‌نویسد و فایل را با نشانگر رسمی '%%EOF' پایان می‌دهد. سند حاصل یک فایل PDF سالم و کاملاً سازگار با ISO 32000 است که در Adobe Acrobat، ‏Chrome، ‏Apple Preview و نمایشگرهای موبایل بدون هیچ پیام خطایی به‌راحتی باز می‌شود.

اسناد خراب اغلب حیاتی‌ترین سوابق بدون پشتیبان یک سازمان را در بر دارند: ادله حقوقی محرمانه، اظهارنامه‌های مالیاتی، اسکن‌های پزشکی یا مدل‌های مالی شرکتی. آپلود فایل‌های خراب در سرویس‌های تعمیر تجاری شخص ثالث، مکاتبات ممتاز و اسرار تجاری را در معرض نگهداری غیرمجاز روی سرور و نشت احتمالی داده قرار می‌دهد.

2run.tools حریم خصوصی مطلق سمت کاربر را تضمین می‌کند. کل خط لوله اسکن بایت، بازیابی اشیا و بازسازی XRef ‏۱۰۰٪ به‌صورت محلی درون سندباکس حافظه WebAssembly مرورگر شما اجرا می‌شود. سند شما هرگز دستگاهتان را ترک نمی‌کند و محرمانگی کامل سازمانی و انطباق کامل با GDPR، ‏HIPAA و قواعد امتیاز حقوقی تضمین می‌شود.

در بدترین سناریوها که درایو ذخیره‌سازی دچار خرابی سخت‌افزاری شدید می‌شود یا انتقال فایل در میانه راه قطع می‌شود، بخش‌های حیاتی ساختار PDF ممکن است به‌طور جبران‌ناپذیری از دست رفته باشند. در چنین مواردی بازسازی استاندارد سند نمی‌تواند سلسله‌مراتب کامل صفحات را بازگرداند.

موتور ما الگوریتم‌های پیشرفته حکاکی قانونی بایت را در خود دارد. جریان بایت خام را برای امضاهای دودویی شناخته‌شده، از جمله نشانگرهای JPEG ‏(\xFF\xD8\xFF تا \xFF\xD9)، سرآیندهای PNG ‏(\x89PNG)، جدول‌های فونت TrueType ‏(\x00\x01\x00\x00) و جریان‌های فشرده FlateDecode اسکن می‌کند.

ابزار ما با حکاکی و بازسازی این جریان‌های دارایی منفرد، به کاربران امکان می‌دهد عکس‌های مدرکی حیاتی، رسیدهای جاسازی‌شده و پاراگراف‌های متنی خام را حتی از فایل‌هایی بازیابی کنند که دیگر نرم‌افزارهای PDF آن‌ها را کاملاً غیرقابل بازیابی و برای همیشه ازدست‌رفته اعلام می‌کنند.