PDF文件结构Word文件下载.docx

1、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 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

2、有对象的个数。这个值必须是直接对象。Prev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。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文档被保护时，会有这个字段，加密字典的对象号。Info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.

3、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1234567+111-2范围:正2的31次方-1到负的2的31次方2）实数12.30.8+6.3-4.01-3.+.033.40310的38次方1.17510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

4、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/.（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）十六进制字串由表示AA和BB两个字符AAB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

5、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./name表示name/name#20is表示name is/name#200表示name 05.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）5493.14false（Ralph）/SomeName6.Dictionary用和包含的若干组条目,每组条目都由k

6、ey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）./IntegerItem12/StringItem（astring）/Subdictionary/Item10.4/Item2true/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

7、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。dictionarystreamdataendstreamstream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

8、字或（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（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

9、，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（可选）和filter类似，针对外部文件。FDecodeParms（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

10、；如果引用一个不存在的object则等价于引用一个空对象（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cat

11、alog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Typename（必须）只能为Pages。Parent（如果不是catalog里面指定的跟节点，则必

12、须有，并且必须是间接对象）当前节点的直接父节点。Kidsarray（必须）一个间接对象组成的数组，节点可能是page或page tree。Countinteger（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：（必须）必须是Page。（必须；并且只能是间接对象）当前page节点的直接父节点page treeLastModifieddate（如果存在PieceInfo字段，就必须有，否则可选）记录当前

13、页面被最后一次修改的日期和时间。Resources（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。MediaBoxrectangle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（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（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CropBo

14、x.Contentsstreamor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（可选）定义当前页的缩略图。Annots和当前页面关联的注释。Metadata当前页包含的元数据。一个简单例子：3 0 obj /Type /Page/Parent 4 0 R/MediaB

15、ox 0 0 612 792 /Resources /Font/F3 7 0 R /F5 9 0 R /F7 11 0 R/ProcSet /PDF /Contents 12 0 R/Thumb 14 0 R/Annots 23 0 R 24 0 Rendobj（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outli

16、ne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：KEYTYPEVALUE（可选）如果这个字段有值，则必须是Outlines。First必须是间接对象）第一个顶层Outline item。Last必须是间接对象）最后一个顶层outline item。（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：

17、Titletextstring（必须）当前item要显示的标题。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。（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（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。（如果当前item有任何子节点，则这个字段是必须的;当前item的第一个直接子节点。当前item的最后一个直接子节点。Destname,byte string, or array如果A

18、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：（必须）必须为Catalog。Versi

19、on（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（必须并且必须为间接对象）当前文档的页面集合入口。PageLabelsnumbertree（可选） number tree，定义了页面和页面label对应关系。Names（可选）文档的name字典。Dests必须是间接对象）name和相应目标对应关系字典。ViewerPreferences（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。Page

20、Layout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 UseNone.Outlines（可选；必须为间接对象）文档的目录字典Threads必须为间接对象）文章线索字典组成的数组。OpenActionarray or dictionary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（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（可选）一个URI字典包含了文档级别的URI action信息。Ac