技術記事

Delphi で HotPDF を使う PDF の墨消しと N-up 面付け

次の依頼が舞い込む。すでに描画済みの帳票をまとめて黒塗りし、口座番号を隠したうえで、1 枚に 2 ページずつ配置して紙を節約したい、というものだ。どちらの作業も、自分で作成していない PDF に対するコンテンツストリームの外科的編集であり、そこには気軽に描けるページキャンバスも、頼れるフォントマネージャーもない。読み込んだ文書のオブジェクトグラフを直接編集し、別のツールが組み立てたページに生の描画演算子を追記していくことになる。HotPDF には、そのための入り口がちょうど 2 つあり、そのうち見た目は無害でも実際には危険なのが、この話題の中心だ

HotPDF は Delphi と C++Builder 向けのネイティブ VCL PDF コンポーネントであり、その読み込み済みドキュメント API には、ゼロから組み立てたページではなくディスクから開いたページの上に新しいコンテンツを生み出すメソッドが含まれている。ここで取り上げるのはそのうちの 2 つだ。領域の上に不透明な矩形を塗る RedactLoadedRect と、1 ページを拡縮して別のページへ描画する StitchLoadedPage である。両者はどちらも、ISO 32000-1 §8.5 のコンテンツストリーム演算子をページの /Contents ストリームに書き込むことで動作する。これらの演算子が何をするのか、そして同じくらい重要なことに何をしないのかを理解することが、使えるツールと情報漏洩を分けるものになる

読み込み済みページに演算子を追記する

通常の HotPDF API でページを組み立てるときは、コンテンツストリームを所有するのはコンポーネントの側で、TextOut やベクター呼び出しの直列化も引き受けてくれる。読み込み済みページは違う。その /Contents は既存のストリームオブジェクトで、共有されているかもしれなければ、コンテンツ配列の一部かもしれない。すでに存在するものを壊さないように継ぎ足す必要がある。3 つの小さなヘルパーがこれを安全にしてくれる。NewIndirectStream は空のバッファと /Length 0 エントリを備えた新しい間接 THPDFStreamObject を確保し、ResolveLoadedStream は間接参照をたどって下層のストリームへ至り、AppendLoadedStream はストリームの末尾に生バイトを書き込んで /Length を書き直す。これにより、保存されるオブジェクトが正しい構造のまま保たれる

2 つの公開メソッドがたどる流れは同じだ。ページの /Contents を解決してストリームにし、使えるストリームがなければ新規作成して接続する。その後で演算子を追記する。新しいバイトはストリームの 末尾 に入るので、ペインターのモデルでは元のレイアウトが描いたものすべての上に表示される。この並び順が、墨消し用の矩形を成り立たせる仕組みそのものだ。そして同時に、その矩形が多くの人の思い違いである理由でもある

HotPDF: ロード済みページへの演算子追記は 3 つのヘルパーを順にたどる。ページ Contents ストリームの特定から、解決または作成を経て、最後に生バイトを追記。ペインターモデルがそれらのバイトが元レイアウトの描画の上に塗られることを保証
NewIndirectStream、ResolveLoadedStream、AppendLoadedStream が新しいオペレーターを既存の /Contents ストリームの末尾に継ぎ足すため、何を描いても元のページレイアウトの上に載り、その 1 バイトも書き直しません

RedactLoadedRect: 不透明な覆いであって削除ではない

RedactLoadedRect は、0 ベースのページインデックス、4 つのユーザー空間座標、0 から 1 の範囲にある 3 つの色成分を取る:

var
  Pdf: THotPDF;
begin
  Pdf := THotPDF.Create(nil);
  try
    if Pdf.LoadFromFile('statement.pdf') > 0 then
    begin
      // 1 ページ目の口座番号の帯を純黒で覆う。
      // 座標は PDF ユーザー空間: 原点は左下、単位はポイント。
      Pdf.RedactLoadedRect(0, 56, 690, 320, 706, 0, 0, 0);
      Pdf.SaveLoadedDocument('statement-covered.pdf');
    end;
  finally
    Pdf.Free;
  end;
end;

内部では、このメソッドはコンテンツストリームに 3 つの演算子を出力する。DeviceRGB の塗り色設定(r g b rg)、矩形パス(x y w h re)、そして塗りつぶし(f)。幅と高さは X2 - X1 と Y2 - Y1 から導かれるので、対角の 2 点を渡せば広がりを計算させられる。色に 0, 0, 0 を渡せば黒い帯になり、白いページに合わせた白い帯にしたければ 1, 1, 1 を渡せばよい。座標は読み込み済みページ自身のユーザー空間であり、原点が左下、単位がポイントだという意味でもある。つまり、正確に配置したいならページの /MediaBox が必要になる。GetLoadedPageBox と pbMediaBox を使えばそれが得られる

もう一度読む価値がある。塗りつぶした矩形は内容を視覚的に覆うだけで、削除はしない。矩形の下にあるテキスト、画像、ベクターアートは PDF 内に残ったままで、オブジェクトグラフにも残り、ページをコピーしたり、テキスト抽出器を走らせたり、単にコンテンツストリームからその矩形を消したりできる人なら誰でも取り出せる。これは見た目を隠すだけで、法的またはセキュリティ上の意味での redaction ではない。口座番号、医療記録、個人情報のような本当に機密なデータを隠すなら、黒い箱で覆ってファイルを送るのは、いずれ見つかるデータ漏えいに等しい。真の redaction には、上から塗るのではなく、元のコンテンツオブジェクトを削除する必要がある

HotPDF: 塗りによる墨消しをすり抜ける口座番号。ビューアーは口座行の上にベタの暗い帯を表示するが、コンテンツストリームは依然 ACCT 文字列を保持し、どのテキスト抽出器もそれを無変更で出力
r g b rg、re、f の各オペレーターは上にピクセルを足すだけです。元のテキストオブジェクトはオブジェクトグラフに生きたままなので、コピーと抽出のパスが、黒帯が隠すすべての文字を取り戻します

メソッド名の「Redact」は、結果がどう誤読されうるかについての有用な警告であって、何を削除するかの約束ではない。RedactLoadedRect は設計上、視覚的な墨消しプリミティブだ。内容を取り除く墨消しは別の操作であり、コンテンツストリームの既存の演算子をたどって書き直して回る作業になる。したがって安全規則は狭い。RedactLoadedRect を使ってよいのは、機密性のない化粧的なマスキング——ドラフト透かしの隠蔽、スクリーンショット前の領域の塗りつぶし、社内プルーフの旧ロゴの覆い隠し——だけだ。箱の下にあるものが漏洩したら困るという瞬間から、このメソッドは間違った道具であり、正しい答えはデータなしで文書を再生成するか、本物の内容除去パイプラインを使うことになる

StitchLoadedPage: 拡大、移動、描画

N-up 面付けのほうがとっつきやすいのは、隠されるものが何もなく、配置し直されるだけだからだ。StitchLoadedPage は、対象ページのインデックス、ソースページのインデックス、X/Y オフセット、スケール係数を受け取り、その位置とサイズでソースページを対象ページに描画する:

// ページ 2(インデックス 1)をページ 1(インデックス 0)に重ねる。
// 70% に縮小し、右上へ少しずらす。
Pdf.StitchLoadedPage(0, 1, 40, 380, 0.7);

// 簡易 2-up: ソースページを対象ページの右半分に配置する。
Pdf.StitchLoadedPageSideBySide(0, 1);

追加される演算子列は標準的な変換と描画のシーケンスだ。q でグラフィックス状態を保存し、対角にスケールを、平行移動スロットにオフセットを持つ cm 行列、外部オブジェクトを呼び出す /StitchSrc Do、そして Q で状態を復元する。q/Q の組み合わせが重要だ。これが変換を隔離するので、面付けしたページの座標系が、その後に追記された内容へ漏れ出さない。メソッドはありがちなミスも防ぐ。範囲外のインデックス、ソースと同じターゲット、非正のスケール(その場合は 1.0 に丸める)を検出すると、例外は投げずに静かに抜ける。だから入力は確認しておくこと。無音の no-op は成功と見分けがつかない

StitchLoadedPageSideBySide は、一般メソッドを薄く包んだ便宜用のラッパーだ。対象ページのメディアボックス幅を読み取り、それを半分にし、その半分幅を X オフセットに、固定スケール 0.5 を指定して StitchLoadedPage を呼び出し、ソースを右半分に配置する。そのハードコードされた 0.5 は、ソースと対象が同じ幅を共有していることを前提としている。そうでなければソースは半分をきれいに埋められず、両方のメディアボックスから自分で計算したスケールを使う一般の StitchLoadedPage を使いたくなるだろう

スティッチがソースページを参照する仕組み

出力を複数のビューアーで信用する前に知っておくべき細部がこれだ。古典的な N-up 面付けは、ソースページのコンテンツを Form XObject で包む。これは ISO 32000-1 §8.10.1 が /Type /XObject、/Subtype /Form、そして独自の /BBox クリッピングボックスを必ず携えるよう求める、自己完結した描画可能オブジェクトだ。StitchLoadedPage はもっと軽い道を選ぶ。ソースのページ辞書そのものを StitchSrc という名前でターゲットの /Resources /XObject の直下に登録し、それを Do で描画する。ページ辞書と Form XObject はコンテンツモデルのかなりの部分を共有している——どちらもコンテンツストリームとリソース辞書を参照する——ため、多くのリーダーは結果を描画してくれる

登録されるオブジェクトには /Subtype /Form マーカーも独自の /BBox もない。だから厳格な消費者が Do を無視しても、期待とは違うクリッピングをしても、それは正当な権利だ。スティッチ出力は、自分のマシンにインストールされている 1 つだけでなく、顧客が実際に使う特定のビューアーで確認すること。アーカイブ用や厳格なバリデーターを通す必要がある PDF では、面付けは上流で完全な Form XObject ラッパーを通じて行う。読み込み済みオブジェクトグラフの上に構築するものすべてに同じ規律が当てはまる。だからこそ、プログラムで文書を変更するときには、Delphi での PDF プリフライトパスがリリースパイプラインに居場所を得るのだ

HotPDF: スティッチングはターゲットページへ q、スケールとオフセットを運ぶ cm マトリクス、StitchSrc の Do 呼び出し、Q を追記。リソースディクショナリは Form サブタイプも BBox も持たないソースページディクショナリそのものを受け取る
q/Q ペアが 1 つの cm 変換とそれに続く /StitchSrc Do を挟みますが、登録されたオブジェクトには /Subtype /Form と /BBox がないため、ステッチ出力は顧客が使うすべてのビューアーで目視確認を要します

この 2 つが適合する場所と、しない場所

どちらのメソッドもコンテンツストリームの道具なので、頭の中のモデルは直接描画に使うものと同じだ。コンポーネントでページを最初から作ったことがあれば、これらの呼び出しの背後にあるベクター演算子と色演算子は、Delphi での HotPDF キャンバス描画 でおなじみに見えるだろう。違うのは、ここでは自分が所有するストリームではなく、他人が書いたストリームに追記しているという点だけだ。次の 3 つの境界を頭に入れておこう:

  • 墨消しは見た目だけ。RedactLoadedRect は内容の上に塗るだけで、決して削除しない。機密性のあるものには、ソースを再生成するか本物の内容除去を使うこと。黒い箱はセキュリティではない
  • スティッチしたページは対象ビューアーで確認。ソースページは、§8.10.1 の /Subtype /Form と /BBox を備えた Form XObject を経由せず直接参照される。そのため対象ビューアーでの描画を確認し、厳格な検証が必要な場面では上流で面付けを行うこと
  • 座標はページのユーザー空間。左下原点、単位はポイント、ページ自身のメディアボックスに従う。読み込んだページのサイズは想定と違うかもしれないので、配置する前に GetLoadedPageBox でボックスを読み取ること

これらの境界を頭に入れたうえで使えば、この 2 つで実際のワークフローをまかなえる。印刷用にページを並べ替え、非機密領域をマスキングし、結果を SaveLoadedDocument で書き戻す。しかも完全な再レンダリングは不要だ。これらの stitch と mask のプリミティブを含む読み込み済み文書 API は、フォームフィールド、注釈、FDF の各メソッドと並んで、Delphi と C++Builder 向けの HotPDF Delphi Component に同梱されている