AB-PDF: Textleser für PDF-Tests (ToUnicode, nur Node-Bordmittel)

Co-Authored-By: Claude Sonnet 5.5 <noreply@anthropic.com>

test/auftraegePdfHilfe.js

@@ -1,3 +1,5 @@
+import { inflateSync } from 'node:zlib'
+
 /** Beispiel-Auftrag (V3-Form) für die PDF-Tests; `extra` überschreibt einzelne Felder. */
 export function beispielAuftrag(extra = {}) {
   return {
@@ -34,3 +36,67 @@ export function alleTexte(wert, aus = []) {
   }
   return aus
 }
+
+/** Anzahl Seiten eines PDFs (Seitenobjekte, nicht der Seitenbaum). */
+export const seitenZahl = (pdf) => (pdf.toString('latin1').match(/\/Type \/Page(?![s\w])/g) || []).length
+
+/**
+ * Text aus einem mit pdfkit erzeugten PDF (eingebettete Schriften, Identity-H, ToUnicode), je Seite eine Liste
+ * von Textzeilen in Zeichenreihenfolge. Nur für Tests: kennt genau das, was pdfkit schreibt.
+ */
+export function leseSeiten(pdf) {
+  const s = pdf.toString('latin1')
+  const objekte = new Map()
+  const re = /(\d+) 0 obj\n/g
+  let m
+  while ((m = re.exec(s))) {
+    const start = m.index + m[0].length
+    const ende = s.indexOf('\nendobj', start)
+    const koerper = s.slice(start, ende)
+    const strom = koerper.indexOf('\nstream\n')
+    let dict = koerper
+    let daten = null
+    if (strom >= 0) {
+      dict = koerper.slice(0, strom)
+      const laenge = Number(/\/Length (\d+)/.exec(dict)[1])
+      daten = pdf.subarray(start + strom + 8, start + strom + 8 + laenge)
+      if (/\/Filter \/FlateDecode/.test(dict)) daten = inflateSync(daten)
+    }
+    objekte.set(Number(m[1]), { dict, daten })
+    re.lastIndex = ende
+  }
+  const tabellen = new Map()
+  for (const [id, o] of objekte) {
+    const tu = /\/ToUnicode (\d+) 0 R/.exec(o.dict)
+    if (!/\/Subtype \/Type0/.test(o.dict) || !tu) continue
+    const tabelle = []
+    for (const r of objekte.get(Number(tu[1])).daten.toString('latin1').matchAll(/<([0-9a-f]{4})> <([0-9a-f]{4})> \[([^\]]*)\]/g)) {
+      let i = parseInt(r[1], 16)
+      for (const e of r[3].matchAll(/<([0-9a-f ]+)>/g)) tabelle[i++] = e[1].split(' ').map((h) => String.fromCharCode(parseInt(h, 16))).join('')
+    }
+    tabellen.set(id, tabelle)
+  }
+  const schriftNachName = new Map()
+  for (const o of objekte.values()) {
+    if (!/\/Font <</.test(o.dict)) continue
+    for (const f of o.dict.matchAll(/\/(F\d+) (\d+) 0 R/g)) schriftNachName.set(f[1], tabellen.get(Number(f[2])))
+  }
+  const seiten = []
+  for (const o of objekte.values()) {
+    if (!/\/Type \/Page(?![s\w])/.test(o.dict)) continue
+    const inhalt = objekte.get(Number(/\/Contents (\d+) 0 R/.exec(o.dict)[1])).daten.toString('latin1')
+    const zeilen = []
+    for (const bt of inhalt.matchAll(/BT\n([\s\S]*?)\nET/g)) {
+      const tabelle = schriftNachName.get(/\/(F\d+) [\d.]+ Tf/.exec(bt[1])?.[1])
+      let text = ''
+      for (const tj of bt[1].matchAll(/\[([^\]]*)\] TJ/g)) {
+        for (const h of tj[1].matchAll(/<([0-9a-f]+)>/g)) {
+          for (let i = 0; i < h[1].length; i += 4) text += tabelle[parseInt(h[1].slice(i, i + 4), 16)] ?? '\u{FFFD}'
+        }
+      }
+      zeilen.push(text)
+    }
+    seiten.push(zeilen)
+  }
+  return seiten
+}