По умолчанию вложения просматриваются с использованием https://docs.google.com/gview,, однако оказывается, что вам разрешено запрашивать файлы по обычному HTTP. Это немного облегчает понимание того, что происходит, используя Wireshark .
Как вы указали, уже было ясно, что PDF-файл преобразуется на стороне сервера в формат PNG ( ImageMagick действительно является разумным решением для этой цели), очевидной причиной этого является сохранение точного макет, сохраняя возможность просмотра файла без просмотра PDF.
Однако, просмотрев трафик, я обнаружил, что весь PDF также преобразуется в пользовательский формат XML при вызове / gview? A = gt & docid = & chan = & thid = (это делается, как только вы запрашиваете документ) , Поскольку я не мог использовать Wireshark для копирования XML, я прибегнул к расширению Firefox Live HTTP Headers . Вот выдержка:
<pdf2xml>
<meta name="Author" content="Bruce van der Kooij"/>
<meta name="Creator" content="Writer"/>
<meta name="Producer" content="OpenOffice.org 3.0"/>
<meta name="CreationDate" content="20090218171300+01'00'"/>
<page t="0" l="0" w="595" h="842">
<text l="188" t="99" w="213" h="27" p="188,213">Programmabureau</text>
<text l="85" t="127" w="425" h="27" p="85,117,209,61,277,21,305,124,436,75">Nederland Open in Verbinding (NOiV)</text>
</page>
</pdf2xml>
Я еще не совсем уверен, что означают все атрибуты в текстовом элементе (за исключением w и h), но они, очевидно, являются координатами текста и, возможно, длины. Поскольку JavaScript, используемый Google, сведен к минимуму (или, возможно, обфусцирован, но это маловероятно), выяснить, как именно работает функция выбора на стороне клиента, не так просто. Но, скорее всего, он использует этот XML-файл, чтобы выяснить, какой текст просматривает пользователь, а затем скопирует его в буфер обмена пользователя.
Обратите внимание, что существует инструмент с открытым исходным кодом (лицензированный по лицензии GPL) pdf2xml , который имеет схожие, но не совсем одинаковые выходные данные. Вот пример с их домашней страницы:
<?xml version="1.0" encoding="utf-8" ?>
<pdf2xml pages="3">
<title>My Title</title>
<page width="780" height="1152">
<font size="10" face="MHCJMH+FuturaT-Bold" color="#FF0000">
<text x="324" y="37" width="132" height="10">Friday, September 27, 2002</text>
<img x="324" y="232" width="277" height="340" src="text_pic0001.png"/>
<link x="324" y="232" width="277" height="340" dest_page="2" dest_x="141" dest_y="187"/>
</font>
<font size="12" face="AGaramond-Regular" italic="true" bold="true">
<text x="509" y="68" width="121" height="12">This is a test PDF file</text>
<link x="509" y="68" width="121" height="12" href="www.mobipocket.com"/>
</font>
</page>
</pdf2xml>
Надеюсь, эта информация в любом случае полезна, однако, как и в других постерах, упоминается, что единственный способ убедиться в том, что делает Google, это спросить их. Жаль, что у Google нет официального канала IRC, но у них есть форум для вопросов поддержки Документов Google .
Удачи.