
推荐-PDF文件结构详解.doc
16页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: 推荐精选 xref 0 1 0000000000 65535 f 4 10000000009 00000 n 8 30000000074 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 推荐精选 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IDstartxref: 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) 直接字串推荐精选由()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:
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:dictionarystream… data …endstream stream字典中常用的字段如下:字段名类型值推荐精选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DecodeParmsLength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。












