pdf文件结构

PDF文件结构(一)  ————物理结构

                     
    PDF(Portable   Document   Format,便携式文档结构)是一种很有用的文件格式,其最大的特点是平台无关而且功能强大(支持文字/图象/表单/链接/音乐/视频等).做PDF的解析,首先要熟悉PDF文件的物理结构和逻辑结构。PDF文件物理结构可分为以下几块:  
1.文件头  
    文件头是PDF文件的第一行,格式如下:      
   

%PDF-1.4
   

这是个固定格式,表示这个PDF文件遵循的PDF规范版本,目前PDF的生成工具,除了官方的acrobat,其他生成的以1.4版本的居多。对于做PDF开发来说,一个最简单的原则就是生成PDF的时候尽量符合低版本规范,以保证大多数解析器能支持;解析PDF的时候尽量支持高版本的规范,以保证支持大多数工具生成的PDF文件。

从1.4版本以后,PDF文件的版本并不唯一的只是在这里表示了,可能后面会改写(catalog的Version词条),所以解析PDF的时候,如果这里的版本大于等于1.4,应该再比较一下catalog里面的version,取其中高一点的版本。


2.对象集合
    这是一个PDF文件最重要的部分,文件中用到的所有对象,包括文本/图象/音乐/视频/字体/超连接/加密信息/文档结构信息等等,都在这里定义。格式如下:  

2 0 obj  
        ...  
    end obj  

一个对象的定义包含4个部分:

前面的2是对象序号,其用来唯一标记一个对象;0是生成号,按照PDF规范,如果一个PDF文件被修改,那这个数字是累加的,它和对象序号一起标记是原始对象还是修改后的对象,但是实际开发中,很少有用这种方式修改PDF的,都是重新编排对象号;obj和endobj是对象的定义范围,可以抽象的理解为这就是一个左括号和右括号;省略号部分是PDF规定的任意合法对象(一共8种,见后面附A)。

可以通过R关键字来引用任何一个对象,比如要引用上面的对象,可以使用2 0 R,需要主意的是,R关键字不仅可以引用一个已经定义的对象,还可以引用一个并不存在的对象,而且效果就和引用了一个空对象一样。
   
3.交叉引用表  
    交叉引用表是PDf文件内部一种特殊的文件组织方式,可以很方便的根据对象号随机访问一个对象。其格式如下:  
   
  xref  
  0 1  
  0000000000   65535   f  
  4 1

0000000009   00000   n  
  8 3

0000000074   00000   n  
  0000000120   00000   n  
  0000000179   00000   n  
   
  其中,xref是开始标志,表示以下为一个交叉引用表的内容;每个交叉引用表又可以分为若干个子段,每个子段的第一行是两个数字,第一个是对象起始号,后面是连续的对象个数,接着每行是这个子段的每个对象的具体信息——每行的前10个数字代表这个这个对象相对文件头的偏移地址,后面的5位数字是生成号(用于标记PDF的更新信息,和对象的生成号作用类似),最后一位f或n表示对象是否被使用(n表示使用,f表示被删除或没有用)。上面这个交叉引用表一共有3个子段,分别有1个,1个,3个对象,第一个子段的对象不可用,其余子段对象可用。

   
4.trailer:  
    通过trailer可以快速的找到交叉引用表的位置,进而可以精确定位每一个对象;还可以通过它本身的字典还可以获取文件的一些全局信息(作者,关键字,标题等),加密信息,等等。具体形式如下:  
  trailer  
  <<  
    key1   value1
    key2   value2
    key3   value3


  >>  
  startxref  
  553  
  %%EOF  
   
 trailer后面紧跟一个字典,包含若干键-值对。具体含义如下:

值类型

值说明

Size

整形数字

所有间接对象的个数。一个PDF文件,如果被更新过,则会有多个对象集合、交叉引用表、trailer,最后一个trailer的这个字段记录了之前所有对象的个数。这个值必须是直接对象。

Prev

整形数字

当文件有多个对象集合、交叉引用表和trailer时,才会有这个键,它表示前一个相对于文件头的偏移位置。这个值必须是直接对象。

Root

字典

Catalog字典(文件的逻辑入口点)的对象号。必须是间接对象。

Encrypt

字典

文档被保护时,会有这个字段,加密字典的对象号。

Info

字典

存放文档信息的字典,必须是间接对象。

ID

数组

文件的ID

startxref:   后面的数字表示最后一个交叉引用表相对于文件起始位置的偏移量。  
%%EOF   :文件结束符.  
   
    一个PDF文件,都会有上面这样的结构(线性化优化的PDF例外,这个后面单独说)。实际一个pdf文件是很复杂的,但是上面几个部分是确定的,只能多不能少.了解了PDF文件的物理结构,就可以提取出一个一个的对象了.PDF中的对象有8种:

1.booleam  

    用关键字true或false表示,可以是array对象的一个元素,或dictionary对象的一个条目.也可以用在PostScript计算函数里面,做为if或ifesle的一个条件。

   

2.numeric  

包括整形和实型,不支持非十进制数字,不支持指数形式的数字.       

    例:  

    1)整数 123   4567   +111   -2        

    范围:正2的31次方-1到负的2的31次方  

    2)实数 12.3   0.8   +6.3   -4.01   -3.   +.03  

    范围:±3.403   ×   10的38次方           ±1.175   ×   10的-38次方  

    注意:如果整数超过表示范围将转化成实数,如果实数超过范围就出错了  

 

3.string  

    由一系列0-255之间的字节组成,一个string总长度不能超过65535.string有以下两种方式:  

1)     直接字串

由()包含起来的一个字串,中间可以使用转义符"/".  

    例:  

    (abc) 表示abc  

    (a//) 表示a/  

转义符的定义如下:

转义字符

含义

/n

换行

/r

回车

/t

水平制表符

/b

退格

/f

换页(Form feed (FF))

/(

左括号

/)

右括号

//

反斜杠

/ddd

八进制形式的字符

 

2)     十六进制字串

由<>包含起来的一个16进制串,两位表示一个字符,不足两位用0补齐 

 

    例:  

    <Aabb> 表示AA和BB两个字符  

    <AAB> 表示AA和B0两个字符  

 

4.name  

    由一个前导/和后面一系列字符组成,最大长度为127.和string不同的是,name是不可分割的和唯一的,不可分割就是说一个name对象就是一个原子,比如/name,不能说n就是这个name的一个元素;唯一就是指两个相同的name一定代表同一个对象.从pdf1.2开始,除了ascii的0,别的都可以用一个#加两个十六进制的数字表示.  

    例:  

    /name 表示name  

    /name#20is 表示name is  

    /name#200 表示name 0  

 

5.array  

    用[]包含的一组对象,可以是任何pdf对象(包括array).虽然pdf只支持一维array,但可以通过array的嵌套实现任意维数的array(但是一个array的元素不能超过8191)  

    例:  

    [549   3.14   false   (Ralph)   /SomeName]  

 

6.Dictionary  

    用"<<"和">>"包含的若干组条目,每组条目都由key和value组成,其中key必须是name对象,并且一个dictionary内的key是唯一的;value可以是任何pdf的合法对象(包括dictionary对象).  

    例:  

    <<  /IntegerItem   12   

        /StringItem   (a   string)  

        /Subdictionary  

<<  /Item1   0.4  

            /Item2   true  

            /LastItem   (not!)  

            /VeryLastItem   (OK)  

        >>  

    >>  

7.stream  

    由一个字典,和紧跟其后面的一组关键字stream和endstream以及这组关键字中间包含一系列字节组成.内容和string很相似,但有区别:stream可以分几次读取,分开使用不同的部分,string必须作为一个整体一次全部读取使用;string有长度限制,但stream却没有这个限制.一般较大的数据都用stream表示. 需要注意的是,Stream必须是间接对象,并且stream的字典必须是直接对象。从1.2规范以后,stream可以以外部文件形式存在,这种情况下,解析PDF的时候stream和endstream之间的内容就被忽略掉。

    例:

dictionary

stream

… data …

endstream

  

    stream字典中常用的字段如下:

字段名

类型

Length

整形

(必须)关键字stream和endstream之间的数据长度,endstream之前可能会有一个多余的EOL标记,这个不计算在数据的长度中。

Filter

名字 或 数组

(可选)Stream的编码算法名称(列表)。如果有多个,则数组中的编码算法列表顺序就是数据被编码的顺序。

DecodeParms

字典 或 数组

(可选)一个参数字典或由参数字典组成的一个数组,供Filter使用。如果仅有一个Filter并且这个Filter需要参数,除非这个Filter的所有参数都已经给了默认值,否则的话DecodeParms必须设置给Filter。如果有多个Filter,并且任意一个Filter使用了非默认的参数, DecodeParms 必须是个数组,每个元素对应一个Filter的参数列表(如果某个Filter无需参数或所有参数都有了默认值,就用空对象代替)。 如果没有Filter需要参数,或者所有Filter的参数都有默认值,DecodeParms 就被忽略了。

F

文件标识

(可选)保存stream数据的文件。如果有这个字段, stream和endstream就被忽略,FFilter将会代替Filter, FDecodeParms将代替DecodeParms。Length字段还是表示stream和endstream之间数据的长度,但是通常此刻已经没有数据了,长度是0.

FFilter

名字 或 字典

(可选)和filter类似,针对外部文件。

FDecodeParms

字典 或 数组

(可选)和DecodeParams类似,针对外部文件。

 

8.NULL  

    用null表示,代表空.如果一个key的值为null,则这个key可以被忽略;如果引用一个不存在的object则等价于引用一个空对象.  

    例:(略)  

 

以上八种对象是按照对象内涵来分的,如果按照对象的使用规则来说,对象又分为间接对象和直接对象。间接对象是PDF中最常用的对象,如前面对象集合里面的,所有对象都是间接对象,在其他位置通过R关键字来引用,在交叉引用表里面都是通过间接对象来引用的。直接对象就更好理解了,上面的8种对象单独出现的时候就叫直接对象。

你可能感兴趣的:(pdf)