PDF文件结构详解.docx
《PDF文件结构详解.docx》由会员分享,可在线阅读,更多相关《PDF文件结构详解.docx(17页珍藏版)》请在冰豆网上搜索。
PDF文件结构详解
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:
20obj
...
endobj
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20R,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
01
0000000000 65535 f
41
0000000009 00000 n
83
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(Formfeed(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nameis
/name#200 表示name0
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:
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pagetree。
Count
integer
(必须)pagetree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pagetree 。
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(defaultuserspaceunits)
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(productionenvironment)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:
30obj
<
/Parent40R
/MediaBox[00612792]
/Resources<
/F370R/F590R/F7110R
>>
/ProcSet[/PDF]
>>
/Contents120R
/Thumb140R
/Annots[230R240R]
>>
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Outlineitem。
Last
dictionary
(必须;必须是间接对象)最后一个顶层outlineitem。
Count
integer
(必须)outline的所有层次的item的总数。
Outline是一个管理outlineitem的顶层对象,我们看到的,其实是outlineitem,这个里面才包含了文字、行为、目标区域等等。
一个outlineitem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,
bytestring,orarray
(可选; 如果A字段存在,则这个不能被会略)当前的outlineitem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outlineitem被激活的时候,要执行的动作。
(3)URI字段
URI(uniformresourceidentifier),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)numbertree,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Optionalcontentgroup 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
arrayordictionary
(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URIaction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。