技术文章

在 Delphi 中用 PDFium VCL 做 PDF/A 预检

一个归档入库门禁拒收了一批“PDF/A-2b”文件,它们在桌面上每个查看器里都打开正常。供应商信誓旦旦说合规。其实不然:每份文件都在 catalog 里藏了一个 JavaScript 动作——肉眼随便看看永远不会发现的那种东西,而 veraPDF 这样的完整 PDF/A 验证器一秒就能标出来。麻烦在于,没人想为了给每个文件回答一个是或否的问题,就往 Delphi 批处理服务上拴一套 Java 工具链。这正是 PDFium Component 里 ValidatePdfACompliance 填补的空白,而它如何在不完整解析内容流的前提下得出判定,非常值得搞明白

Delphi 加 PDFium Component 的 PDF/A 预检管道:剥除原始 PDF 的流主体、解压对象流,对结构字节做 Pascal 记号扫描填充一份 TPdfAValidationResult,其 IsCompliant 门控要求检测到级别且问题集为空
ValidatePdfACompliance 从不解析内容流:它扫描结构字节,流主体置空、对象流已展开;通过需要检测到一致性级别且问题集为空

为什么 PDFium 本身回答不了这个问题

首先要诚实面对的一点:捆绑的 pdfium.dll 完全没有 PDF/A 能力。公开接口上没有 ConvertToPDFA,没有 OutputIntent 写入器,也没有 XMP API。这个库里 PDF/A 的每一部分——写入侧和检查侧——都用纯 Pascal 写在 FPdfPdfa.pas 里,靠字节级解析加增量更新工作。所以调用验证器时,你不是在问 Chromium 的渲染器任何事,而是在文件的结构字节上跑一个 Pascal 记号扫描器

公开 API 刻意保持很小。一个函数从位置 0 读取流并返回一个记录:

function ValidatePdfACompliance(Source: TStream): TPdfAValidationResult;

type
  TPdfAValidationResult = record
    Conformance: TPdfAConformance;        // pacUnknown, pacNone, pac1b, pac2u, ...
    Issues: TPdfAValidationIssues;        // 一组 TPdfAValidationIssue
    function IsCompliant: Boolean;        // 仅当 level <> unknown/none 时为 True
  end;                                    // 并且 Issues 为空

IsCompliant 编码了门禁场景里最重要的规则:只有检测到真实的合规级别且问题集为空,文件才算通过。解析成功但没找到 pdfaid 标记时解析为 pacNone,明确表示未通过。这也是批量预检报告 CLI 从外部表达的同一观点:在无法识别的文件上拿到空的发现列表,不等于健康证明

在任何记号扫描之前剥掉流主体

这是最重要的实现细节,也是自己写扫描器时最容易搞错的地方。检测器靠搜索带分隔符的名称记号来发现违规,比如 /JavaScript、/LZWDecode、/BM。如果直接扫原始文件字节,内嵌的二进制流主体——压缩图片、ICC 特性文件、字体程序——会随机包含长得像这些记号的字节序列。你会报告“找到”了 /AA 或 /3D,只因 JPEG 内部三个字节恰好拼出了它。那是一台误报制造机

解决办法是 PdfStructureBytes:它遍历文件,把每个 stream 和 endstream 关键字之间的字节清成空格,字典结构原样保留。扫描只在那之后进行。验证器里的每个名称记号检查都在这份剥好的副本上运作。如果这篇文章你要带走一个观念,就是它。同样的纪律也体现在 PDF/UA 验证器里,它保留了自己的那份例程副本,因为两个标准的演进互不相依

29 个问题及各自含义

TPdfAValidationIssue 是一份成文的契约。其序数是固定的,因为调用方、示例程序和报告层都依赖它们,所以新的发现只会追加到末尾。截至 v1.63.0,共有 29 个成员。它们分为几个家族:

  • 元数据与身份:pvaiMissingXmpMetadata、pvaiMissingPdfAIdentifier、pvaiMissingTrailerId(ISO 19005-1 6.1.3)、pvaiMissingXmpDates
  • 颜色与输出:pvaiMissingOutputIntent、pvaiMissingIccProfile,以及 DeviceRGB 与 DeviceCMYK 同时出现时的 pvaiMixedDeviceColorSpaces(6.2.3.3)
  • 对每个部分都成立的硬禁令:pvaiEncryptionPresent(/Encrypt 字典完全禁止)、pvaiJavaScriptPresent、pvaiForbiddenAction、pvaiAdditionalActions、pvaiLzwUsed、pvaiXfaPresent、pvaiNeedAppearancesTrue、pvaiForbiddenAnnotation
  • 字体:pvaiFontNotEmbedded 和更严格的 pvaiUnembeddedFont,外加针对声明为 Level U 却没有 /ToUnicode 的 pvaiUnicodeMappingMissing
  • 标记:宣告 conformance=A 却没有标记结构时的 pvaiLevelAStructureMissing

最新的六个成员加在序数 24 到 29,覆盖审阅者真正会踩到的微妙情况:pvaiTrappedTrue(Info 字典里的 /Trapped /True,一个“假朋友”,因为该值必须是 False 或 Unknown)、pvaiForbiddenActionSubtype(把 Sound 或 Movie 用作动作,而不只是注释)、pvaiTransparentColorSpace(非 Normal 的混合模式,或 /CA//ca 不等于 1.0)、pvaiAnnotationDictViolation、pvaiUnembeddedFont 以及 pvaiMixedDeviceColorSpaces

示意图:PDFium Component for Delphi PDF/A 验证器的 29 个 TPdfAValidationIssue 代码——归入元数据与身份、颜色与输出、硬性禁止、字体、标签化,以及 pvaiTrappedTrue 与 pvaiTransparentColorSpace 等六个最新发现
29 个问题代码分成五个家族外加最新的六个成员;加密、JavaScript 和 LZW 之类的硬禁令适用于每个 PDF/A 部分

按部分设门禁:A-1 严格,A-2 和 A-3 放宽

PDF/A 不是一本规则手册。PDF/A-1 禁止的三样东西从 PDF/A-2 起明确放行:透明度(/Transparency 组或活动的 /SMask,6.4)、可选内容(/OCProperties,6.1.13)和嵌入文件(/EmbeddedFiles 或 /EF,6.1.11)。一个对每份文件都标出这三者的天真验证器,会把完全有效的 PDF/A-2 文件成批拒之门外

示意图:Delphi 中按部分设门禁的 PDF/A 校验——pdfaid 声明的部分号喂给 PartNo = 1 门禁,透明度、可选内容与嵌入文件检查仅对 PDF/A-1 启用,而 JavaScript、LZW、XFA 与未嵌入字体对每个部分都禁止
按部分门禁读取 pdfaid 部分号,只把透明度、可选内容与嵌入文件检查用在 PDF/A-1 上;没有标记的文件按最严格规则对待

因此验证器通过 PdfAPartOf 从 pdfaid 标记读取部分号,把这些检查关在 PartNo = 1 的门禁后面。针对新透明度问题的混合模式与注释 Alpha 检查同样仅限 part-1:

if PartNo = 1 then
begin
  if PdfHasName(Struct, '/BM') then
    if not PdfHasBMNormal(Struct) then          // only /Normal or /Compatible allowed
      Include(Result.Issues, pvaiTransparentColorSpace);
  if PdfHasCaNotOne(Struct, '/CA') or PdfHasCaNotOne(Struct, '/ca') then
    Include(Result.Issues, pvaiTransparentColorSpace);
end;

有一个保守默认值值得一提:完全没有 pdfaid 标记时,部分按最严格的 1 处理。理由是:无法识别的文件应该被最严格的规则约束,而不是轻易放行。JavaScript、禁止动作、LZW、XFA、NeedAppearances、禁止注释和未嵌入字体对每个部分都是禁止的,所以这些检查永远不会被门禁挡住

展开对象流,让任何东西无处藏身

PDF 1.5 引入了交叉引用流和对象流(/Type /ObjStm),给天真的字节扫描器制造了盲区。catalog、OutputIntent、动作字典——任何本身不是流的东西——都可以在 ObjStm 里做 Flate 压缩。直接扫原始结构,你什么都看不见,然后把一份一点也不干净的文件报告成干净

PdfExpandObjectStreams 补上了这个缺口。在任何检查运行之前,验证器先做 Data := PdfExpandObjectStreams(Data)。这个例程找到每个 ObjStm,读它的 /N 和 /First 头部拿到被包含对象号和偏移量,用 PdfInflate(RTL zlib,Delphi 上是 System.ZLib,FPC 上是 zstream)解压主体,然后把每个被包含对象作为普通的 N 0 obj ... endobj 追加到字节副本的末尾。既有的记号检查随后就能找到这些对象,逻辑无需任何改动

有两个约束让这件事干净而不是脆弱。流对象——Metadata、ICC 特性文件、字体程序——不能住在对象流里,只有非流字典可以,所以展开操作永远只处理字典,附加对象不带任何会干扰主体剥除那一趟的 stream 关键字。而且附加内容落在 %%EOF 之后,从 startxref 反向搜索仍能找到原始 trailer。交叉引用流 trailer 的处理是独立的:直接从明文的 xref 流字典读 Root、Size 和 ID,姊妹篇验证对象流与交叉引用流专门探讨这个主题;对象流展开只是在这之上加了 inflate 这一步

字节级检查器的用武之地

这是一个预检工具,不是认证验证器。字体嵌入是一种计数式启发判断,而显而易见的数法恰好是错的。PdfCountName('/FontDescriptor') 看到每种字体两个 /FontDescriptor 标记——一个来自字体字典的引用,一个来自描述符对象自己的 /Type——所以计数是 2N 对 N 个嵌入程序,测试永远为真。PdfCountDescriptorRefs 只数 /FontDescriptor N G R 引用形式,每种字体一个,只有当嵌入程序确实更少时才抛 pvaiUnembeddedFont:

K := PdfCountDescriptorRefs(Struct);                 // 每个字体字典一个
Emb := PdfCountName(Struct, '/FontFile')
     + PdfCountName(Struct, '/FontFile2')
     + PdfCountName(Struct, '/FontFile3');
if (K > 0) and (Emb < K) then
  Include(Result.Issues, pvaiUnembeddedFont);

这是基于计数的信号,不是逐字体的审计,所以字体方面的发现请用完整验证器确认,包括展开后的 AcroForm /DR 暴露出来的 standard-14 默认资源(比如 /Helv)——veraPDF 放行它们是因为它们从不真正用于渲染。内容流操作符级检查(6.2.10)需要完整的内容解析,在字节扫描的范围之外。把验证器当作一个快速、无依赖的第一道关卡,用来抓住标记注入修不了的违规,把完整验证器留给最终认证

这只是故事里检查的那一半。互补的写入侧——SaveAsPdfA 注入 XMP、OutputIntent 和 sRGB ICC 特性文件、并诚实降级没有标记结构的 Level A 请求的那一侧——建立在同一套字节级机制上。两半都随 PDFium Component for Delphi 交付:一个 VCL 包,压在纯 Pascal 的 PDF/A 实现上,没有任何需要安装的外部运行时