PdfToy应用案例（九）
在readfree论坛复活以后，我上去看了一下以前发的《PDF应用案例》系列文章都还在，那就接着以前的编号继续发。另外考虑到现在不少PT用户并非readfree论坛成员，所以新教程将在我的博客上同步发布。不过以前的教程就只能在readfree看，转过来实在太累，不值当。
===================================================================================
案例十四：去除PDF文件的时间限制
本案例的示例PDF文件及最终的过滤表达式见这里：
链接：https://pan.baidu.com/s/1Tn6gTbHfMxx31OjXLgWA3w
提取码：9gwt
事先声明：
1、该示例文件仅为教学讲解之用，因此仅从原文中抽取了两页，无意侵犯原文版权。
2、PDF文件中与原下载时间、下载者相关的信息，均做了力所能及的混淆处理，避免被回溯。
3、在页面提取过程中Acrobat自动对PDF文件结构做了修改，因此下面给出的正则表达式仅针对这两页示例文件，不一定能够直接对原始完整PDF进行处理，但原理是一样的。
言归正传。从上面的链接下载示例文件包，解压，双击示例PDF用Acobat打开，则Acrobat会弹出“警告：JavaScript 窗口”，提示“View date of this document has ended. Please download again.”（文件已过期，请重新下载），点击“确定”按钮后，则看不到正常的PDF页面内容，每页只能看到文档的下载时间和下载者ID：Downloaded at 2022/08/02 12:04:297 by 64026E08 SLRge#WyzcK
如果想先看PT的处理效果，可以：
- 如果已经打开了示例PDF文件，请务必先关闭它，否则下面的流过滤功能将失效。
- 运行PT，在“流过滤”界面中，点击工具条上最右边的“调入”按钮，调入解压出来的正则表达式文件（pte文件），然后把示例PDF拖拽到“需要处理的PDF文件或文件夹”窗口，点击“开始过滤”按钮，等待结束。
- 双击过滤后的示例PDF，这时可以看到页面的真实内容完整显示出来，也不会提示文件已过期，证明正则表达式的过滤结果很圆满。
下面就讲解pte文件中的这两个正则表达式是怎么来的。
首先重新解压下载到的示例文件包，使示例PDF回到原始状态，然后按照用PT处理PDF的习惯，先在“文件结构”界面中，导出示例PDF的文件树，注意勾选“包括图像对象”，结果如下：
page 1: 13 0 R used images: 21 0 R: 56 x 596, Flate, DeviceRGB, comps=3, bits=8 content: 19 0 R page 2: 14 0 R content: 22 0 R
看到第1页显示used images，就知道其实第1页内容应该是已经显示出来了，那个“Downloaded at ……”的提示不过是覆盖在原PDF页面内容之上而已。推理过程简单明了，毫无技术含量：
- PT导出页面树的时候，如果勾选了“包括图像对象”，就会在内存中对PDF文件进行模拟显示，只有真正显示出来的图像对象，才会报告used images。所以对于大型PDF，勾选此选项后导出速度要比不勾选慢得多，但有时候是不得不勾选。
- 那个“Downloaded at ……”的提示是纯文字，根本没有用到图像，所以这里报告的used images，只能是在真正的页面内容中用到了。
既然如此，那就用同一个界面中的“导出指定的PDF对象”，把第1页的页面字典（对象13）、内容流对象（对象19）导出。直接用记事本看导出的结果，内容流部分可能会粘连在一起，比较难看，用UltraEdit32看就比较整齐了。
大概看了一下，内容流部分比较正常，再次验证了前面“页面内容应该是已经显示出来了”的猜测，但是页面字典中的注释部分（/Annots [ 10 0 R ]）引起了我的重视，因为在PDF显示的时候，注释内容是显示在页面内容之上的，所以如果注释的范围足够大，就可以把正常页面内容完全遮盖住。为此导出注释对象（对象10），结果如下：
10 0 obj
<< /AP << /N 15 0 R >> /BS << /S /S /W 1 >> /DA (/Helv 14 Tf 0 0 0 rg ) /DR << /Font << /Helv 16 0 R >> >> /F 4 /FT /Tx /Ff 0 /MK << /BG [ 1 1 1 ] >> /P 13 0 R /Q 1 /Rect [ 595 0 0 842 ] /Subtype /Widget /T (BZ3Sb6bF0) /Type /Annot /V (Downloaded at 2022/08/02 12:04:297 by 64026E08 SLRge#WyzcK ) >>
果然在其中看到了遮盖正常页面内容的“Downloaded at ……”提示。继续追踪注释内容，即/AP << /N 15 0 R >> ，导出对象15的内容，可以看到是一个表单（Form），先对整个页面范围填白（1 1 1 rg 0 0 842 595 re f），然后显示“Downloaded at ……”提示。
至此可以总结一下前面的分析结论：示例PDF中的正常内容其实已经显示出来，但被注释内容所覆盖，去掉注释即可正常显示。
既然如此，那么第一个正则表达式就比较好写了，即在页面对象中把/Annots [ 10 0 R ]之类的替换成空即可。调入下载到的pte文件，双击第一个表达式就可以看到，即把表达式/Annots \[ [\d]+? 0 R \]替换成空，替换范围是匹配/Type /Page的字典对象。
仅用这个表达式对示例PDF进行过滤，然后双击用Acrobat打开，可以看到“警告：JavaScript 窗口”还在，但点击“确定”按钮以后，已经可以看到页面的正常内容。
所以下面还要继续努力，把打开PDF时的提示窗口去掉。
重新解压下载到的示例文件包，使示例PDF回到原始状态，然后用UltraEdit32打开，搜索ASCII字符串JavaScript，可以找到两个结果：
5 0 obj
<< /JavaScript 12 0 R >>
endobj
18 0 obj
<< /JS 24 0 R /S /JavaScript >>
endobj
把对象12导出，其内容为：
12 0 obj
<< /Names [ (0000000000000000) 18 0 R ] >>
所以对象5、12、18其实是一个对象，只不过被生生拆开了而已，原因不明，也没必要知道。有兴趣的还可以把这个俄罗斯套娃一路追下去，直到看到真正对时间进行判断的JavaScript代码（对象15）。
在UltraEdit32里搜索对象5的引用，即ASCII字符串5 0 R，可以看到是在Catalog里引用：
1 0 obj
<< /AcroForm 3 0 R /Metadata 4 0 R /Names 5 0 R /Pages 6 0 R /Type /Catalog >>
endobj
按照《PDF Reference》规定，每个PDF文件只有一个有效的Catalog对象，该对象在打开PDF时被解析，解析到/Names 5 0 R时就会执行其中的JavaScript代码，对时间进行判断，发现超期就弹出提示对话框，并控制各页中注释对象的显示或隐藏。
所以再加一个正则表达式对Catalog对象进行过滤，去掉对JavaScript代码的调用，即可避免超期弹框。调入下载到的pte文件，双击第二个表达式就可以看到，即把表达式/Names [\d]+? 0 R替换成空，替换范围是匹配/Type /Catalog的字典对象。
如果是强迫症患者，可能还会对页面左下角、右上角的灰色文字水印有所不满，不过这种固定内容的ASCII字符串替换起来太容易，就不多说了。
另外以上都是用“流过滤”功能进行处理，如果对自己的技术有足够的信心，也可以换一个思路：
- 重新解压下载到的示例文件包，使示例PDF回到原始状态。
- 用PT的“解密++”功能，先点一下“恢复缺省参数”，然后把“压缩”改成“解压”，把示例PDF拖过来，点“开始处理”，把PDF中的压缩内容都展开。
- 然后用UltraEdit32打开解压后的PDF，搜索ASCII字符串“function”，定位到对时间进行判断的JavaScript函数处，然后按快捷键Ctrl+E进入十六进制编辑模式。
- 除了最后那个for循环外，函数secure中的其余内容均用等量的空格覆盖，千万不能直接删除。
- 存盘退出UltraEdit32。
- 双击用Acrobat打开编辑过的PDF，看上去也能达到需要的效果。然后在Acrobat中另存为，即可重新对PDF进行压缩。
函数secure中仅保留以下JS代码：
for(var i = 0; i < 2; i++){
var over = 'BZ3Sb6bF'+i;
this.getField(over).display = 1;
}
（完）
