PDF文件结构详解.doc

 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:  
     表示AA和BB两个字符  
     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。
PDF文件结构（二）
                                        ————逻辑结构
                                作者：bobob
                                邮件：zxbbobob@
   要解析一个PDF文件，首先要掌握PDF的物理结构，这是第一步。但是这个仅仅只是基础，更重要的是对PDF逻辑结构的解析。PDF的逻辑大体上是一个树状结构，根节点是catalog字典，通过这里去解析页、目录、链接信息等等，在这里按照PDF的树形结构，详细讨论一下整个文件的逻辑框架。

一、catalog根节点

catalog是整个PDF逻辑结构的根节点，这个可以通过trailer的Root字段定位，虽然简单，但是相当重要，因为这里是PDF文件物理结构和逻辑结构的连接点。Catalog字典包含的信息非常多，这里仅就最主要的几个字段做个说明。
（1）Pages字段
这是个必须字段，是PDF里面所有页面的描述集合。Pages字段本身是个字典，它里面又包含了一下几个主要字段：
字段
类型
值
Type
name
(必须)只能为Pages 。
Parent
dictionary
(如果不是catalog里面指定的跟节点，则必须有，并且必须是间接对象) 当前节点的直接父节点。
Kids
array
(必须)一个间接对象组成的数组，节点可能是page或page tree。
Count
integer
(必须) page tree里面所包含叶子节点（page 对象）的个数。

从以上字段可以看出，Pages最主要的功能就是组织所有的page对象。Page对象描述了一个PDF页面的属性、资源等信息。Page对象是一个字典，它主要包含一下几个重要的属性：
字段
类型
值
Type
name
(必须)必须是Page。
Parent
dictionary
(必须；并且只能是间接对象)当前page节点的直接父节点page tree 。
LastModified
date
(如果存在PieceInfo字段，就必须有，否则可选)记录当前页面被最后一次修改的日期和时间。
Resources
dictionary
(必须; 可继承)记录了当前page用到的所有资源。如果当前页不用任何资源，则这是个空字典。忽略所有字段则表示继承父节点的资源。
MediaBox
rectangle
(必须; 可继承)定义了要显示或打印页面的物理媒介的区域（default user space units）
CropBox
rectangle
(可选; 可继承)定义了一个可视区域，当前页被显示或打印的时候，它的内容会被这个区域裁剪。默认值就是MediaBox。
BleedBox

rectangle
(可选) 定义了一个区域，当输出设备是个生产环境（production environment）的时候，页面显示的内容会被裁剪。默认值是 CropBox.
Contents
stream or array
(可选) 描述页面内容的流。如果这个字段缺省，则页面上什么也不会显示。
这个值可以是一个流，也可以是由几个流组成的一个数组。如果是数组，实际效果相当于所有的流是按顺序连在一起的一个流，这就允许PDF生成的时候可以随时插入图片或其他资源。流之间的分割只是词汇上的一个分割，并不是逻辑上或者组织形式的切割。
Rotate
integer
(可选; 可继承) 顺时钟旋转的角度数，这个必须是90的整数倍，默认是0。
Thumb
stream
(可选)定义当前页的缩略图。
Annots
array
(可选) 和当前页面关联的注释。
Metadata
stream
(可选) 当前页包含的元数据。

一个简单例子：
       3 0 obj
<< /Type /Page
/Parent 4 0 R
/MediaBox [ 0 0 612 792 ]
/Resources <> 
/ProcSet [ /PDF ]
>> 
/Contents 12 0 R
/Thumb 14 0 R
/Annots [ 23 0 R 24 0 R]
>> 
endobj

（2）Outlines字段
Outline是PDF里面为了方便用户从PDF的一部分跳转到另外一部分而设计的，有时候也叫书签（Bookmark），它是一个树状结构，可以直观的把PDF文件结构展现给用户。用户可以通过鼠标点击来打开或者关闭某个outline项来实现交互，当打开一个outline时，用户可以看到它的所有子节点，关闭一个outline的时候，这个outline的所有子节点会自动隐藏。并且，在点击的时候，阅读器会自动跳转到outline对应的页面位置。Outlines包含一下几个字段：

KEY
TYPE
VALUE
Type
name
(可选)如果这个字段有值，则必须是Outlines。
First
dictionary
(必须;必须是间接对象) 第一个顶层Outline item。
Last
dictionary
(必须;必须是间接对象)最后一个顶层outline item。
Count
integer
(必须)outline的所有层次的item的总数。

Outline是一个管理outline item的顶层对象，我们看到的，其实是outline item，这个里面才包含了文字、行为、目标区域等等。一个outline item主要有一下几个字段：
Title
text string
(必须)当前item要显示的标题。
Parent
dictionary
(必须;必须是间接对象) outline层级中，当前item的父对象。如果item本身是顶级item，则父对象就是它本身。
Prev
dictionary
(除了每层的第一个item外，其他item必须有这个字段;必须是间接对象)当前层级中，此item的前一个item。
Next
dictionary
(除了每层的最后一个item外，其他item必须有这个字段;必须是间接对象)当前层级中，此item的后一个item。
First
dictionary
(如果当前item有任何子节点，则这个字段是必须的;必须是间接对象) 当前item的第一个直接子节点。
Last
dictionary
(如果当前item有任何子节点，则这个字段是必须的;必须是间接对象) 当前item的最后一个直接子节点。
Dest
name,
byte string, or array
(可选; 如果A字段存在，则这个不能被会略)当前的outline item被激活的时候，要显示的区域。
A
dictionary
(可选; 如果Dest 字段存在，则这个不能被忽略)当前的outline item被激活的时候，要执行的动作。

（3）URI字段
URI（uniform resource identifier)，定义了文档级别的统一资源标识符和相关链接信息。目录和文档中的链接就是通过这个字段来处理的。

（4）Metadata字段
文档的一些附带信息，用xml表示，符合adobe的xmp规范。这个可以方便程序不用解析整个文件就能获得文件的大致信息。

（5）其他
Catalog字典中，常用的字段一般有以下一些：
字段
类型
值
Type
name
(必须)必须为Catalog。
Version
name
(可选)PDF文件所遵循的版本号（如果比文件头指定的版本号高的话）。如果这个字段缺省或者文件头指定的版本比这里的高，那就以文件头为准。一个PDF生成程序可以通过更新这个字段的值来修改PDF文件版本号。
Pages
dictionary
(必须并且必须为间接对象)当前文档的页面集合入口。
PageLabels
number tree
(可选) number tree，定义了页面和页面label对应关系。
Names
dictionary
(可选)文档的name字典。
Dests
dictionary
(可选;必须是间接对象)name和相应目标对应关系字典。
ViewerPreferences
dictionary
(可选)阅读参数配置字典，定义了文档被打开时候的行为。如果缺省，则使用阅读器自己的配置。
PageLayout
name
(可选) 指定文档被打开的时候页面的布局方式。SinglePageDisplay 单页
OneColumnDisplay 单列
TwoColumnLeftDisplay 双列，奇数页在左
TwoColumnRightDisplay 双列，奇数页在右
TwoPageLeft 双页，奇数页在左
TwoPageRight 双页，奇数页在右
缺省值: SinglePage.
PageMode
name
(可选) 当文档被打开时，指定文档怎么显示
UseNone  目录和缩略图都不显示
UseOutlines 显示目录
UseThumbs  显示缩略图
FullScreen  全屏模式，没有菜单，任何其他窗口
UseOC     显示Optional content group 面板
UseAttachments显示附件面板
缺省值: UseNone.
Outlines
dictionary
(可选；必须为间接对象)文档的目录字典
Threads
array
(可选；必须为间接对象)文章线索字典组成的数组。
OpenAction
array or dictionary
(可选) 指定一个区域或一个action，在文档打开的时候显示（区域）或者执行（action）。如果缺省，则会用默认缩放率显示第一页的顶部。
AA
dictionary
(可选)一个附加的动作字典，在全局范围内定义了响应各种事件的action。
URI
dictionary
(可选)一个URI字典包含了文档级别的URI action信息。
AcroForm
dictionary
(可选)文档的交互式form (AcroForm)字典。
Metadata
stream
(可选;必须是间接对象)文档包含的元数据流。