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：

键	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	值
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。