PostScript文件與PDF文件間數(shù)據(jù)轉換

孫 殷，王 鵬

（1.浙江商業(yè)職業(yè)技術學院，浙江 杭州310053；2.浙江工業(yè)大學，浙江 杭州310014）

在可變數(shù)據(jù)印刷系統(tǒng)中，每個電子頁面的內容（如文字、圖形、圖像）經過頁面描述語言合成后產生相應的可變數(shù)據(jù)印刷頁面，最終形成特定的數(shù)據(jù)文件。PostScript文件（簡稱PS）和PDF文件是目前存儲可變數(shù)據(jù)印刷頁面常用的文件格式，因此，研究這兩種文件格式之間的數(shù)據(jù)轉換對可變數(shù)據(jù)印刷的發(fā)展具有一定的意義。而當前PS文件與PDF文件之間的轉換主要有兩種方式[1]：（1）通過專業(yè)的軟件（如Acrobat Distiller）轉換；（2）通過虛擬打印機來實現(xiàn)。

但是這兩種方式都不利于自主研究數(shù)據(jù)印刷系統(tǒng)的開發(fā)。本文根據(jù)PS文件格式和PDF文件格式的特點，利用PS解釋器Ghostscript提供的API接口，通過VC6.0實現(xiàn)了PS文件和PDF文件的相互轉換，并給出相應的代碼。

1 PostScript和PDF文件結構

1.1 PostScript文件

PostScript是由Adobe公司開發(fā)的頁面描述語言，其最大特點是可以將印刷品中包含的文字、圖形、圖像、字體和顏色等各種元素用一種計算機數(shù)據(jù)來表現(xiàn)和描述，然后經過RIP（光柵圖像處理器）快速地解釋為可控制打印設備輸出用的點陣信息。用PostScript語言所描述的頁面文件稱為PS文件，其后綴名為.ps或.eps。

PostScript程序可訪問的所有數(shù)據(jù)都是以對象（Object）形式存在的[2]，對象由操作符產生、管理和撤銷。常用的對象有整數(shù)和實數(shù)、布爾型、數(shù)組、壓縮數(shù)組、串、名字、字典等[3-4]。程序中的數(shù)據(jù)存儲在堆棧中并通過堆棧被操作符管理執(zhí)行。

PostScript語言解釋器對語句的執(zhí)行是逐句解釋執(zhí)行，控制比較靈活，一切操作均通過堆棧進行。例如用粗線畫一個圓：

%%Title：用粗線畫一個圓

/inch{72 mul}def

4.25 inch 5.5 inch

2.5 inch

0 360 arc

1.75 inch setlinewidth

stroke

showpage

以‘%’開頭的第一段語句表示注釋，第二段語句定義了名字對象‘inch’，接著定義圓的中心位置（4.25，5.5），半徑2.5；然后畫角度為360°的圓；最后定義粗線的寬度1.75，畫出粗線的路徑進行顯示。

1.2 PDF文件

便攜式文件格式PDF（Portable Document Format）是Adobe公司繼PostScript后于1993年推出的一種電子文件格式[5]。它具有能夠完整地保存任何原文檔中的文字、格式、顏色、圖形、可加密等優(yōu)秀特性，廣泛應用于數(shù)據(jù)印刷系統(tǒng)中。

PDF文件主要由四部分組成：文件頭（Header）、文件體（Body）、交叉引用表（Cross-referrence table）和文件尾（Trailer）。PDF作為一種結構化的文件格式，它是由一些具有特定數(shù)字標號的“對象”的模塊所組成。其文檔結構是一種樹形結構，通過文件尾（Trailer）可以找到文件體的根對象Catalog[6]，根對象包含PDF文檔的大綱（Outline）、頁面組對象（Pages Tree）等。文檔結構具體層次關系如圖1所示。

其中頁面對象（Page）作為PDF中最重要的對象，包含了該頁面的文字、圖片、頁面大小等信息。頁面中包含的信息是包含在一個稱為流（stream）[7-8]的對象里，這個流的長度（字節(jié)數(shù)）必須直接給出或指向另外一個對象。

圖1 PDF文檔結構

2 文件格式轉換算法的實現(xiàn)

根據(jù)前兩節(jié)的PostScript文件結構可知，要實現(xiàn)PS文件到PDF文件的轉換，首先需要對PS文件中的不同信息（文字、圖形和圖像等）進行解析，然后轉換為對應的PDF對象。兩者間轉換的總流程主要為：

（1）導入要轉換的PostScript文件，初始化PS解釋器；

（2）開始掃描PS文件，記錄當前代碼段所在頁。判斷頁信息是否已經到末尾，是則退出，否則繼續(xù)向下掃描；

（3）讀取PS頁面描述信息，對其中的文本信息、圖形信息和圖像信息分別進行提取并處理；

（4）將第三步中處理的文本、圖形和圖像信息進行重構，然后分別轉換為相對應的PDF對象；

（5）判斷PS文件是否掃描結束，是則回到第（2）步，否則回到第（3）步；

（6）轉換算法結束。

圖2為PS文件轉換為PDF文件的總流程圖。

圖2 轉換總流程圖

由于PostScript文件對文本、圖形和圖像的描述機制各不相同，因此，其相應的信息提取算法也不盡相同。在PostScript文件中，圖像是取樣值的矩形數(shù)值，每個取樣值表示某種彩色。按行或者列掃描圖像矩形所得的一串取樣數(shù)據(jù)定義了一個圖像。除了矩形數(shù)組之外，PS程序中還包括一些圖像參數(shù)：源圖像的格式、圖像取樣數(shù)據(jù)的數(shù)據(jù)源、圖像空間坐標等。因此，對PS文件中圖像的提取主要是將圖像的參數(shù)和圖像取樣數(shù)據(jù)進行提取，其對應的提取算法流程圖如圖3所示。

圖3 圖像提取流程圖

在標準的PostScript文件中，文本大都是以字庫[9]的形式進行保存，因此在PostScript中的字符可以由PS解釋器根據(jù)字庫提取出對應的字符。對PS文件中文本信息的提取流程如圖4所示，主要過程如下：

（1）掃描文檔，記錄當前頁面信息。判斷是否已掃描到文件尾，是則跳轉到第（5）步，否則跳到第（2）步；

（2）繼續(xù)掃描，判斷是否掃描到文本提示符，是則跳到第（3）步，否則跳回第（1）步；

（3）根據(jù)文本提示符獲取相應的字庫詞典，查找字庫獲取PS所描述的字符；

（4）保存第（3）步提取的文本信息；

（5）結束文本掃描。

圖4 PS文件中文本提取算法流程圖

掃描文件時通過尋找關鍵操作符函數(shù)FindStringInBuffer（），可以得到需要的操作符位置。源程序如下：

由于PS解釋器的實現(xiàn)比較復雜，本文通過利用PS解釋器Ghostscript提供的API接口函數(shù)對PS文件進行解釋轉換。首先通過接口函數(shù)gsapi_new_instance（）新建一個要轉換的實例。轉換過程主要在接口函數(shù)gsapi_init_with_args（）中進行，即初始化PS解釋器并將輸入PS對象轉換為對應的PDF對象。主要轉換程序如下：

3 效果及結論

本文的程序在VC6.0上編譯通過，并可以將輸入的PS文件（my.ps）轉 換為PDF文件（my.pdf）。轉換前后的結果如下：

由圖5和圖6可以看出，轉換前后的圖像幾乎完全一樣。由圖7中文本的轉換結果可以看出，轉換的字符內容一樣。通過修改輸入文件名和輸出文件名類型，例如輸入文件為.pdf格式文件，輸出文件為.ps文件，也可以實現(xiàn)PDF文件到PS文件的轉換。因此，在設計開發(fā)可變數(shù)據(jù)印刷系統(tǒng)時，可以將該程序作為數(shù)據(jù)轉換的一部分嵌入到印刷軟件系統(tǒng)中，具有一定的實用性。但是，由于PS解釋器并非獨立設計，受到其接口函數(shù)的限制，程序的延伸性不是很好。

圖5 my.ps文件中圖形

圖6 my.pdf文件中圖形

圖7 文本轉換結果

[1]張志偉，孔凡讓，吳欣.PostScript格式文獻中數(shù)學表達式的提取方法[J].計算機應用與軟件，2008，25（11）：157-159.

[2]USA Adobe Systems Inc.PostScript language reference mannal.Addison Wesley Protessional，1990.

[3]何明，匡燕玲，李小龍，等.頁面描述語言PostScript及其轉換程序[J].北京工業(yè)大學學報，2004，20（4）：102-104.

[4]徐福培，潘志庚.頁面描述語言及其程序設計[M].南京：南京大學出版社，1994.

[5]USA Adobe Systems Inc.Document management-Portable document format-Part 1：PDF 1.7[J].Adobe Systems Incorporated，2008，PDF 32000-1.

[6]李珍，田學東.PDF文件信息的抽取與分析[J].計算機應用，2003，23（12）：145-148.

[7]王婉，韓逸秋，徐福培.PDF文件格式及其向PS文件轉換的研究[J].計算機科學，2001，28（9）：123-127.

[8]吳一民，朱檬，羅綿川.基于.NET平臺PostScript文件解析標引系統(tǒng)設計與實現(xiàn)[J].微計算機應用，2009（10）：5863.

[9]段華偉，黃靈閣.計算機文字處理技術現(xiàn)狀[J].印刷質量與標準化，2004（5）：39-41.