PDF 文档结构

Written on

Table of Contents
  1. 1. 基本要素
    1. 1.1. 数据类型
      1. 1.1.1. 直接对象类型
      2. 1.1.2. 间接对象类型
    2. 1.2. 文件结构
      1. 1.2.1. 交叉引用表
  2. 2. 处理流程
  3. 3. 实例分析
  4. 4. 其他
    1. 4.1. 工具:
    2. 4.2. 参考:

基本要素

数据类型

PDF 文件基本元素是 PDF 对象(PDF Object), PDF 对象包括直接对象(Direct Object)和间接对象(Indirect Object)。直接对象如下八种类型；间接对象，又叫 labelled object, 嵌套在关键词 n 0 obj 和 endobj 之间， 是用一种表示来标识一个 PDF 对象，通过标识来让别的 PDF 对象引用，这个标识叫做间接对象的 ID.

直接对象类型

  1. Boolean value(布尔)

    布尔类型，值只能是 true 和 false。

  2. Integer and Real number(数值)

    数值类型，包括整数和实数，与普通编程语言中的数值类型大体相同。

  3. String(字符串)

    字符串类型，包括包含在圆括号 ( ) 内的文字字符串(literal string)和包含在单尖括号 < > 内的十六进制字符串(hexadecimal string)两种。

    例：

    1. (Hello World)
2. <9ADCF1>

  4. Name(名字?)

    名字类型，用字符组成的字符串，用 / 作为前导符号，在 PDF 文件中具有唯一性，相同的名字表示相同的对象(the same sequence of character denotes the same object)。常见用在 Dictionary 里面作 Key，用来表示对象名称。

    例：

    /Page
/Kid

  5. Array(数组)

    数组类型，存在于方括号 [ ] 内，元素可以是除 Stream 外的所有类型。PDF 中数组只支持一维数组。

    例：

    [/Page false 17 (hello)]  该数组包含了4种类型元素

  6. Dictionary(字典)

    字典类型，包含在双尖括号 << >> 内，每两个元素为一对，第一个为 key, 第二个为 value， key 只能是 Name 类型，value 可以是任意类型，即可以嵌套为 Dictionary。

    例：

    <</Page 1 0 obj
/Filter /FlateDecode
/Name (Hello)>>

  7. Stream(流对象)

    流对象，是用字节表示的序列，长度理论上没限制。包含在 stream 和 endstream 之间。以 CRLF 或 LF 结尾，不能单独以 CR 结尾。dicionary 里的内容用来描述该 stream 的相关信息。

    dictionary
stream
    ......
endstream

  8. Null object(空对象)

    空对象类型，用关键词 null 表示。

间接对象类型

使用 unique object identifier 来表示，方便其他对象引用。结构如下：

12 0 obj
........
endobj

第一行第一个 12 规定为 positive integer， 表示对象 ID; 第二个 0 表示生成号(generation number)，通常为0；第三个为固定 obj 表示，以最后一行 endobj 表示结束。中间 ...... 表示内容。其他地方引用该对象时，使用如下格式，其中 R 为关键字:

12 0 R

文件结构

文件基本结构如下，文件结构的详细内容分析将在实例分析中说明。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
+--------------------------+
| +----------------------+ |
| |        Header        | |  <-----文件头，表示版本.%PDF-1.M
| |                      | |
| +----------------------+ |
| |                      | |
| |         Body         | |  <-----文件体，由一系列PDF对象组成
| |                      | |
| |                      | |
| |                      | |
| |                      | |
| |                      | |
| +----------------------+ |
| |    Cross-reference   | |  <-----交叉引用表，包含指向所有间接
| |         table        | |        对象的文件位置索引的列表
| |        (xref)        | |
| +----------------------+ |
| |        Trailer       | |  <-----包含文件的根节点信息和
| |                      | |        文件解析的起点信息
| +----------------------+ |
+--------------------------+

交叉引用表

交叉引用表的结构如下：

1
2
3
4
5
6
xref
i j
nnnnnnnnnn ggggg N eol
nnnnnnnnnn ggggg N eol
......
nnnnnnnnnn ggggg N eol

第一行 xref 表示交叉引用表开始；第二行 i j 表示下面部分引用的对象从 i 开始，共有 j 个对象；第三行开始相同的结构，每行20字节，包括换行符。 nnnnnnnnnn 10位，字节偏移地址，表示从 文件开始（beginning of the file) 到 该对象开始(beginning of the object) 的偏移； ggggg 5位，生成号； N 可以为 n 或者 f，其中 n 表示该对象在使用，f 表示该对象为free状态，未被使用。

处理流程

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
+--------------------------+
|       读取 PDF 文件        |
|                          |
+------------+-------------+
             |
+------------v-------------+
|   从文件末尾开始解析得到     |
|   索引和文件对象起始位置     |
+------------+-------------+
             |
+------------v-------------+
|      得到PDF基本信息以及    |
|        PDF的根目录对象     |
+------------+-------------+
             |
+------------v-------------+
|    通过根目录对象得到PDF的  |
|   所有大纲和页面的对象集合   |
+------------+-------------+
             |
+------------v-------------+
|                          |
|   当用户转到第几页时，解析   |
|   该PDF页面上的所有对象     |
|   包括文字，图片，流媒体等   |
|                          |
|                          |
+------------+-------------+
             |
+------------v-------------+
| 将得到的文件流通过渲染引擎，  |
|     生成特定文件显示出来     |
+--------------------------+

实例分析

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
%PDF-1.6            # 文件头，表示该文档符合 PDF 1.6 规范 ， % 表示注释
%鲣                # (binary data)二进制， 主要用来表示文件内容是 text 还是 binary
12 0 obj            # object 对象， 12是顺序号，0是生成号， obj 为关键词
<</Filter /FlateDecode     # 过滤器类别，处理stream 和 endstream 之间的数据时候需要用到的, FlateDecode表示使用zip算法
/Length 1732>>      # 表示 stream 和 endstream 之间数据的长度
stream              # stream的内容部分
......
endstream
endobj              # 标识该对象结束

1 0 obj
<</Contents 12 0 R
/Parent 2 0 R
/MediaBox [0 0 595 842]
/Resources 7 0 R
/Rotate 0
/Type /Page>>
endobj
2 0 obj
<</Kids [1 0 R] /Type/Pages /Count 1>>
endobj
......
9 0 obj
<</Fields [11 0 R] /XFA [5 0 R] /DA (/Helv 0 Tf 0 g )>>
endobj
11 0 obj
<</T (gapejess[0]) /Kids [4 0 R]>>
endobj
13 0 obj
<</AcroForm 9 0 R /Lang (en-us) /Pages 2 0 R /Type/Catalog>>
endobj
5 0 obj
<</Length 3602 /Filter/FlateDecode>>
stream
......
endstream
endobj

xref                    # 标识交叉引用表开始
0 14                    # 说明下面对象编号是从0开始，总共有14个对象， 从 0 到 13
0000000000 65535 f      # 第0个对象，规定生成号为65535，f 表示 free entry，对象不存在或者删除
0000003079 00000 n      # 第1个对象，偏移地址为3079，生成号为0表示未被修改过, n 表示 in use
0000003191 00000 n
0000003245 00000 n
0000003695 00000 n
0000003955 00000 n
0000003515 00000 n
0000003347 00000 n
0000003446 00000 n
0000003756 00000 n
0000001823 00000 n
0000003827 00000 n
0000000017 00000 n
0000003878 00000 n


trailer                 # 标识文件尾trailer对象开始
<</Root 13 0 R          # 表明根对象的对象号为13，即交叉表中的最后一个对象
/ID [<4E76CDCEDB1E2EC4AC47475DB4EE376E> <C8B1AEBC2C6615E39860F1C150A2847C>]
/Size 14                # 表明PDF文件的对象数目
/Info 8 0 R>>

startxref
7630       # 交叉引用表的偏移地址，相对于文件开始
%%EOF      # 标识文件结束

其他

工具:

参考: