PDF文件結(jié)構(gòu)詳解之歐陽治創(chuàng)編

歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10PDF（PortableDocumentFormat,便攜式文檔結(jié)構(gòu)）是一種很有用的文件格式，其最大的特點是平臺無關(guān)而且功能強大（支持文字/圖象/表單/鏈接/音樂/視頻等）.做PDF的解析，首先要熟悉PDF文件的物理結(jié)構(gòu)和邏輯結(jié)構(gòu)。PDF文件物理結(jié)構(gòu)可分為以下幾塊：1.文件頭 文件頭是PDF文件的第一行,格式如下：時間2021.03.10創(chuàng)作：歐陽治%PDF-1.4歐陽治創(chuàng)編2021.03.10 歐陽治

創(chuàng)編2021.03.10歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10這是個固定格式，表示這個PDF文件遵循的PDF規(guī)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。對于做PDF開發(fā)來說，一個最簡單的原則就是生成PDF的時候盡量符合低版本規(guī)范，以保證大多數(shù)解析器能支持；解析PDF的時候盡量支持高版本的規(guī)范，以保證支持大多數(shù)工具生成的PDF文件。從1.4版本以后，PDF文件的版本并不唯一的只是在這里表示了，可能后面會改寫（catalog的Version詞條），所以解析PDF的時候，如果這里的版本大于等于1.4,應(yīng)該再比較一下catalog里面的version,取其中高一點的版本。2.對象集合這是一個PDF文件最重要的部分，文件中用到的所有對象，包括文本/圖象/音樂/視頻/字體/超連接/加密信息/文檔結(jié)構(gòu)信息等等,都在這里定義。格式如下：20obj...endobj一個對象的定義包含4個部分：歐陽治創(chuàng)編2021.03.10 歐陽治

創(chuàng)編2021.03.10歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10前面的2是對象序號，其用來唯一標記一個對象；0是生成號，按照PDF規(guī)范，如果一個PDF文件被修改，那這個數(shù)字是累加的，它和對象序號一起標記是原始對象還是修改后的對象，但是實際開發(fā)中，很少有用這種方式修改PDF的，都是重新編排對象號；obj和endobj是對象的定義范圍，可以抽象的理解為這就是一個左括號和右括號；省略號部分是PDF規(guī)定的任意合法對象（一共8種，見后面附A）?？梢酝ㄟ^R關(guān)鍵字來引用任何一個對象，比如要引用上面的對象，可以使用20區(qū)，需要主意的是，R關(guān)鍵字不僅可以引用一個已經(jīng)定義的對象，還可以引用一個并不存在的對象，而且效果就和引用了一個空對象一樣。3.交叉引用表交叉引用表是PDf文件內(nèi)部一種特殊的文件組織方式，可以很方便的根據(jù)對象號隨機訪問一個對象。其格式如下：xref01 000000000065535f41000000000900000n83歐陽治創(chuàng)編2021.03.10 歐陽治

創(chuàng)編2021.03.10歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10000000007400000n000000012000000n000000017900000n 其中,xref是開始標志，表示以下為一個交叉引用表的內(nèi)容;每個交叉引用表又可以分為若干個子段，每個子段的第一行是兩個數(shù)字，第一個是對象起始號，后面是連續(xù)的對象個數(shù)，接著每行是這個子段的每個對象的具體信息——每行的前10個數(shù)字代表這個這個對象相對文件頭的偏移地址,后面的5位數(shù)字是生成號（用于標記PDF的更新信息，和對象的生成號作用類似），最后一位f或n表示對象是否被使用（n表示使用,f表示被刪除或沒有用）。上面這個交叉引用表一共有3個子段，分別有1個，1個，3個對象，第一個子段的對象不可用，其余子段對象可用。4.trailer: 通過trailer可以快速的找到交叉引用表的位置，進而可以精確定位每一個對象；還可以通過它本身的字典還可以獲取文件的一些全局信息（作者，關(guān)鍵字，標題等），加密信息，等等。具體形式如歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10下：trailer<<keylvaluelkey2value2key3value3…>>startxref553%%EOFtrailer后面緊跟一個字典，包含若干鍵-值對。具體含義如下：鍵值類型值說明Size整形數(shù)字所有間接對象的個數(shù)。一個PDF文件，如果被更新過，則會有多個對象集合、交叉引用表、trailer，^^一■個trailer的這個字段記錄了之前所有對象的個數(shù)。這個值必須是直接對象。Prev整形數(shù)字當(dāng)文件有多個對象集合、交叉引用表和trailer時，才會有這個鍵，它表示前一個相對于文件頭的偏移位置。這個值必須是直接對象。Root字典Catalog字典（文件的邏輯入口點）的對象號。必須是間接對象。Encrypt字典 文檔被保護時，會有這個字段，加密字典的對象號。Info 字典 存放文檔信息的字典，必須是間接對象。ID 數(shù)組 文件的IDstartxref:后面的數(shù)字表示最后一個交叉引用表相對于文件起始位置的偏移量。%%EOF:文件結(jié)束符. 一個PDF文件，都會有上面這樣的結(jié)構(gòu)（線性化優(yōu)化的PDF例外，這個后面單獨說）。實際一個pdf文件是很復(fù)雜的，但是上面幾個部分是確定的，只能多不能少.了解了PDF文件的物理結(jié)構(gòu)，就可以提取出一個一個的對象了.PDF中的對象有8種：1.booleam歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10用關(guān)鍵字true或false表示,可以是array對象的一個元素，或dictionary對象的一個條目.也可以用在PostScript計算函數(shù)里面，做為if或ifesle的一個條件。2.numeric包括整形和實型，不支持非十進制數(shù)字,不支持指數(shù)形式的數(shù)字.例：1）整數(shù)1234567+111-2范圍:正2的31次方-1到負的2的31次方2）實數(shù)12.30.8+6.3-4.01-3.+.03范圍:±3.403X10的38次方士1.175X10的-38次方注意:如果整數(shù)超過表示范圍將轉(zhuǎn)化成實數(shù),如果實數(shù)超過范圍就出錯了3.string由一系列0-255之間的字節(jié)組成，一個string總長度不能超過65535.string有以下兩種方式：1）直接字串歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10由0包含起來的一個字串，中間可以使用轉(zhuǎn)義符,,/,,.例：(abc)表示abc(a//)表示a/轉(zhuǎn)義符的定義如下：轉(zhuǎn)義字符 含義/n 換行/r 回車/t 水平制表符/b 退格/f 換頁(Formfeed(FF))/( 左括號/) 右括號// 反斜杠/ddd 八進制形式的字符2) 十六進制字串由＜＞包含起來的一個16進制串，兩位表示一個字符，不足兩位用0補齊例：＜Aabb＞表示AA和BB兩個字符＜AAB＞表示AA和B0兩個字符4.name歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10由一個前導(dǎo)/和后面一系列字符組成，最大長度為127.和string不同的是,name是不可分割的和唯一的,不可分割就是說一個name對象就是一個原子，比如/name,不能說n就是這個name的一個元素;唯一就是指兩個相同的name一定代表同一個對象.從pdf1.2開始,除了ascii的0,別的都可以用一個#加兩個十六進制的數(shù)字表示.例：/name表示name/name#20is表示nameis/name#200表示name05.array用"包含的一組對象，可以是任何pdf對象（包括array）.雖然pdf只支持一維array,但可以通過array的嵌套實現(xiàn)任意維數(shù)的array（但是一個array的元素不能超過8191）例：[5493.14false（Ralph）/SomeName]6.Dictionary歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10用"<<"和">>"包含的若干組條目，每組條目都由key和value組成，其中key必須是name對象，并且一個dictionary內(nèi)的key是唯一的;value可以是任何pdf的合法對象(包括dictionary對象).例：<</IntegerItem12/StringItem(astring)/Subdictionary<</Item10.4/Item2true/LastItem(not!)/VeryLastItem(OK)>>>>7.stream由一個字典，和緊跟其后面的一組關(guān)鍵字stream和endstream以及這組關(guān)鍵字中間包含一系列字節(jié)組成.內(nèi)容和string很相似，但有區(qū)別:stream可以分幾次讀取，分開使用不同的部分,string必須作為一個整體一次全部讀取使歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10用;string有長度限制,但stream卻沒有這個限制.一般較大的數(shù)據(jù)都用stream表示.需要注意的是，Stream必須是間接對象，并且stream的字典必須是直接對象。從1.2規(guī)范以后，stream可以以外部文件形式存在，這種情況下，解析PDF的時候stream和endstream之間的內(nèi)容就被忽略掉。例：dictionarystream…data…endstreamstream字典中常用的字段如下：字段名類型值Length整形（必須）關(guān)鍵字stream和endstream之間的數(shù)據(jù)長度，endstream之前可能會有一個多余的EOL標記，這個不計算在數(shù)據(jù)的長度中。Filter名字或數(shù)組（可選）Stream的編碼算法名稱（列表）。如果有多個，則數(shù)組中的編碼算法列表順序就是數(shù)據(jù)被編碼的順序。歐陽治歐陽治創(chuàng)編2021.03.10歐陽治創(chuàng)編2021.03.10

歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10DecodeParms字典或數(shù)組（可選）一個參數(shù)字典或由參數(shù)字典組成的一個數(shù)F文件標識組，供Filter使用。如果僅有一個Filter并且這個Filter需要參數(shù)，除非這個Filter的所有參數(shù)都已經(jīng)給了默認值，否則的話DecodeParms必須設(shè)置給Filter。如果有多個Filter，并且任意一個Filter使用了非默認的參數(shù)，DecodeParms必須是個數(shù)組，每個元素對應(yīng)一個Filter的參數(shù)列表（如果某個Filter無需參數(shù)或所有參數(shù)都有了默認值，就用空對象代替）。如果沒有Filter需要參數(shù)，或者所有Filter的參數(shù)都有默認值，DecodeParms就被忽略了。（可選）保存stream數(shù)據(jù)的文件。如果有這個字段，stream和endstream就被忽略，F(xiàn)Filter將會代替Filter,FDecodeParms將代替DecodeParms。Length字段還是表示stream和endstream之間數(shù)據(jù)的長度，但是通常此刻已經(jīng)沒有數(shù)據(jù)了，長度是0.FFilter名字或字典（可選）和filter類似，針對外部文件。FDecodeParms8.NULL字典或數(shù)組（可選）和DecodeParams類似，針對外部文件。用null表示，代表空.如果一個key的值為null,則這個key可以被忽略；如果引用一個不存在的object則等價于引用一個空對象.例：（略）以上八種對象是按照對象內(nèi)涵來分的，如果按照對象的使用規(guī)則來說，對象又分為間接對象和直接對象。間接對象是PDF中最常用的對象，如前面對象集合里面的，所有對象都是間接對象，歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10在其他位置通過R關(guān)鍵字來引用，在交叉引用表里面都是通過間接對象來引用的。直接對象就更好理解了，上面的8種對象單獨出現(xiàn)的時候就叫直接對象。PDF文件結(jié)構(gòu)（二） 邏輯結(jié)構(gòu)作者：bobob郵件：zxbbobob@要解析一個PDF文件，首先要掌握PDF的物理結(jié)構(gòu)，這是第一步。但是這個僅僅只是基礎(chǔ)，更重要的是對PDF邏輯結(jié)構(gòu)的解析。PDF的邏輯大體上是一個樹狀結(jié)構(gòu)，根節(jié)點是catalog字典，通過這里去解析頁、目錄、鏈接信息等等，在這里按照PDF的樹形結(jié)構(gòu)，詳細討論一下整個文件的邏輯框架。一、catalog根節(jié)點catalog是整個PDF邏輯結(jié)構(gòu)的根節(jié)點，這個可以通過trailer的Root字段定位，雖然簡單，但是相當(dāng)重要，因為這里是PDF文件物理結(jié)構(gòu)和邏輯結(jié)構(gòu)的連接點。Catalog字典包歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10含的信息非常多，這里僅就最主要的幾個字段做個說明。Pages字段這是個必須字段，是PDF里面所有頁面的描述集合。Pages字段本身是個字典，它里面又包含了一下幾個主要字段：字段類型值Typename（必須）只能為Pages。Parentdictionary（如果不是catalog里面指定的跟節(jié)點，則必須有，并且必須是間接對象）當(dāng)前節(jié)點的直接父節(jié)點。Kidsarray（必須）一個間接對象組成的數(shù)組，節(jié)點可能是page或pagetree。Countinteger（必須）pagetree里面所包含葉子節(jié)點（page對象）的個數(shù)。從以上字段可以看出，Pages最主要的功能就是組織所有的page對象。Page對象描述了一個PDF頁面的屬性、資源等信息。Page對象是一個字典，它主要包含一下幾個重要的屬性：字段類型值Typename（必須）必須是Page。Parentdictionary（必須；并且只能是間接對象）當(dāng)前page節(jié)點的直接父節(jié)點pagetree。歐陽治歐陽治創(chuàng)編2021.03.10歐陽治創(chuàng)編2021.03.10

歐陽治歐陽治創(chuàng)編2021.03.10歐陽治創(chuàng)編2021.03.10LastModifieddate（如果存在PieceInfo字段，就必須有，否則可選）記錄當(dāng)前頁面被最后一次修改的日期和時間。Resourcesdictionary（必須；可繼承）記錄了當(dāng)前page用到的所有資源。如果當(dāng)前頁不用任何資源，則這是個空字典。忽略所有字段則表示繼承父節(jié)點的資源。MediaBoxrectangle（必須；可繼承）定義了要顯示或打印頁面的物理媒介的區(qū)域（defaultuserspaceunits）CropBoxrectangle（可選；可繼承）定義了一個可視區(qū)域，當(dāng)前頁被顯示或打印的時候，它的內(nèi)容會被這個區(qū)域裁剪。默認值就是MediaBox。BleedBoxrectangle（可選）定義了一個區(qū)域，當(dāng)輸出設(shè)備是個生產(chǎn)環(huán)境（productionenvironment）的時候，頁面顯示的內(nèi)容會被裁剪。默認值是CropBox.Contentsstreamorarray（可選）描述頁面內(nèi)容的流。如果這個字段缺省，則頁面上什么也不會顯示。這個值可以是一個流，也可以是由幾個流組成的一個數(shù)組。如果是數(shù)組，實際效果相當(dāng)于所有的流是按順序連在一起的一個流，這就允許PDF生成的時候可以隨時插入圖片或其他資源。流之間的分割只是詞匯上的一個分割，并不是邏輯上或者組織形式的切割。Rotateinteger（可選；可繼承）順時鐘旋轉(zhuǎn)的角度數(shù)，這個必須是90的整數(shù)倍，默認是0。Thumbstream（可選）定義當(dāng)前頁的縮略圖。Annotsarray（可選）和當(dāng)前頁面關(guān)聯(lián)的注釋。Metadatastream（可選）當(dāng)前頁包含的元數(shù)據(jù)。一個簡單例子：30obj<</Type/Page/Parent40R歐陽治歐陽治創(chuàng)編2021.03.10歐陽治創(chuàng)編2021.03.10歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10/MediaBox[00612792]/Resources<</Font<</F370R/F590R/F7110R>>/ProcSet[/PDF]>>/Contents120R/Thumb140R/Annots[230R240R]>>endobjOutlines字段Outline是PDF里面為了方便用戶從PDF的一部分跳轉(zhuǎn)到另外一部分而設(shè)計的，有時候也叫書簽（Bookmark）,它是一個樹狀結(jié)構(gòu)，可以直觀的把PDF文件結(jié)構(gòu)展現(xiàn)給用戶。用戶可以通過鼠標點擊來打開或者關(guān)閉某個outline項來實現(xiàn)交互，當(dāng)打開一個outline時，用戶可以看到它的所有子節(jié)點，關(guān)閉一個outline的時候，這個outline的所有子歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10節(jié)點會自動隱藏。并且，在點擊的時候，閱讀器會自動跳轉(zhuǎn)到outline對應(yīng)的頁面位置。Outlines包含一下幾個字段：KEYTYPEVALUETypename（可選）如果這個字段有值，則必須是Outlines。Firstdictionary（必須;必須是間接對象）第一個頂層Outlineitem。Lastdictionary（必須;必須是間接對象）最后一個頂層outlineitem。Countinteger（必須）outline的所有層次的item的總數(shù)。Outline是一個管理outlineitem的頂層對象，我們看到的，其實是outlineitem，這個里面才包含了文字、行為、目標區(qū)域等等。一個outlineitem主要有一下幾個字段：Titletextstring（必須）當(dāng)前item要顯示的標題。Parentdictionary（必須;必須是間接對象）outline層級中，當(dāng)前item的父對象。如果item本身是頂級item，則父對象就是它本身。Prevdictionary（除了每層的第一個item外，其他item必須有這個字段;必須是間接對象）當(dāng)前層級中，此item的前一個item。Nextdictionary（除了每層的最后一個item外，其他item必須有這個字段；必須是間接對象）當(dāng)前層級中，此item的后一個item。Firstdictionary（如果當(dāng)前item有任何子節(jié)點，則這個字段是必須的;必須是間接對象）當(dāng)前item的第一個直接子節(jié)點。Lastdictionary（如果當(dāng)前item有任何子節(jié)點，則這個字段是必須的;必須是間接對象）當(dāng)前item的最后一個直接子節(jié)點。歐陽治歐陽治創(chuàng)編2021.03.10歐陽治創(chuàng)編2021.03.10歐陽治歐陽治創(chuàng)編2021.03.10歐陽治創(chuàng)編2021.03.10Destname,bytestring,orarraydictionary（可選;outline如果ADestname,bytestring,orarraydictionary（可選;outline如果A字段存在，則這個不能被會略）當(dāng)前的item被激活的時候，要顯示的區(qū)域。（可選;outline如果Dest字段存在，則這個不能被忽略）當(dāng)前的item被激活的時候，要執(zhí)行的動作。URI字段URI（uniformresourceidentifier），定義了文檔級別的統(tǒng)一資源標識符和相關(guān)鏈接信息。目錄和文檔中的鏈接就是通過這個字段來處理的。（4）Metadata字段文檔的一些附帶信息，用xml表示，符合adobe的xmp規(guī)范。這個可以方便程序不用解析整個文件就能獲得文件的大致信息。（5）其他Catalog字典中,Catalog字典中,常用的字段一般有以下一些字段類型值Typename（必須）必須為Catalog。Versionname（可選）PDF文件所遵循的版本號（如果比文件頭指定的版本號高的話）。如果這個字段缺省或者文件頭指定的版本比這里的高，那就以文件頭為準。一個PDF生成程序可以通過更新這個字段的值來修改PDF文件版本號。Pagesdictionary（必須并且必須為間接對象）當(dāng)前文檔的頁面集合入口。歐陽治創(chuàng)編2021.03.10歐陽治創(chuàng)編2021.03.10

歐陽治創(chuàng)編2021.03.10 歐陽治創(chuàng)編2021.03.10PageLabelsnumbertr（可選）numbertree，定義了頁面和頁面label對應(yīng)ee 關(guān)系。Names