PDF文件结构详解_第1页
PDF文件结构详解_第2页
PDF文件结构详解_第3页
PDF文件结构详解_第4页
PDF文件结构详解_第5页
已阅读5页,还剩12页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

1、PDF(Portable Document Format,便携式文档结构)就是一种很有用得文件格式,其最大得特点就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得解析,首先要熟悉 PDF文件得物理结构与逻辑结构。PDF文件物理结构可分为以下几1文件头文件头就是PDF文件得第一行,格式如下:%P DF-1 4这就是个固定格式, 表示这个PDF文件遵循得PDF规范版本,目前PDF得生成工具,除了官方得acrobat,其她生成得以1、4版本得居多。对于做 PDF开发来说,一个最简单得原则就就是生成PDF得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得时候

2、尽量支持高版本得规范,以保证支持大多数工具生成得PDF文件。从1、4版本以后,PDF文件得版本并不唯一得只就是在这里表示了,可能后面会改写(catalog得Version词条),所以解析 PDF得时候,如果这里得版本大于等于1、4,应该再比较一下catalog里面得version,取其中高一点得版本。2、对象集合这就是一个PDF文件最重要得部分,文件中用到得所有对象,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 objend obj一个对象得定义包含 4个部分:前面得2就是对象序号,其用来唯一标记一个对象;0就是生成号,按照 PDF规范,如

3、果一个PDF文件被修改,那这个数字就是累加得, 它与对象序号一起标记就是原始对象还就是修改后得对象,但就是实际开发中,很少有用这种方式修改 PDF得,都就是重新编排对象号;obj与endobj就是对象得定义范围,可以抽象得理解为这就就是一个左括号与右括号; 省略号部分就是 PDF规定得任意合法对象(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,比如要引用上面得对象,可以使用2 0 R,需要主意得就是,R关键字不仅可以引用一个已经定义得对象,还可以引用一个并不存在得对象,而且效果就与引用了一个空对象一样。3、交叉引用表交叉引用表就是 PDf文件内部一种特殊得文件组织方式,可以很方

4、便得根据对象号随机访问一个对象。其格式如下其中,xref就是开始标志,表示以下为一个交叉引用表得内容;每个交叉引用表又可以xref0 1000000000065535f4 1000000000900000n8 3000000007400000n000000012000000n000000017900000n553分为若干个子段,每个子段得第一行就是两个数字,第一个就是对象起始号, 后面就是连续10个数字代表这得对象个数,接着每行就是这个子段得每个对象得具体信息一一每行得前个这个对象相对文件头得偏移地址,后面得5位数字就是生成号(用于标记PDF得更新信息,与对象得生成号作用类似),最后一位 f或

5、n表示对象就是否被使用(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,第一个子段得对象不可用,其余子段对象可用。4、trailer:通过trailer可以快速得找到交叉引用表得位置,进而可以精确定位每一个对象;还可以通过它本身得字典还可以获取文件得一些全局信息(作者,关键字,标题等),加密 信息,等等。具体形式如下trailer<<>>key1key2key3startxref%EOFvaluelvalue2value3由一系列0-255之间得字节组成,一个string 总长度不能超过 65535、string 有

6、以SizePrevRootEncryptInfoIDstartxref:量。%EOF值类型值说明整形数字整形数字字典字典 字典 数组所有间接对象得个数。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 得这个字段记录了之前所有对象得个数。这个值必须就是直接对象。当文件有多个对象集合、交叉引用表与trailer 时,才会有这个键,它表示前一个相对于文件头得偏移位置。这个值必须就是直接对象。Catalog字典(文件得逻辑入口点)得对象号。必须就是间接对象。文档被保护时,会有这个字段,加密字典得对象号。存放文档信息得字典,必须就是间接对象。文件得

7、ID后面得数字表示最后一个交叉引用表相对于文件起始位置得偏移:文件结束符、一个PDF文件,都会有上面这样得结构(线性化优化得 PDF例外,这个后面单独说)。实际一个pdf文件就是很复杂得,但就是上面几个部分就是确定得,只能多不能少、了解了PDF中得对象有8种:PDF文件得物理结构,就可以提取出一个一个得对象了、 1、booleam用关键字true或false 表示,可以就是array对象得一个元素,或dictionary 对象得一个条目、也可以用在PostScript计算函数里面,做为if或ifesle 得一个条件。2、numeric包括整形与实型,不支持非十进制数字,不支持指数形式得数字、1

8、)整数 1234567+ 111-2范围:正2得31次方-1到负得2得31次方2)实数 12、30、8+6、3-4、01-3、+、03范围:± 3、40310得38次方± 1、17510得-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、string1)直接字串由()包含起来得一个字串,中间可以使用转义符"/"、(abc) 表示 abc(a/) 表示 a/转义符得定义如下: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八进制形式得字符2)卜六进制字串

9、由 <>包含起来得一个16进制串,两位表示一个字符,不足两位用0补齐<Aabb> 表示AA与BB两个字符<AAB>表示AA与B0两个字符4、name由一个前导/与后面一系列字符组成,最大长度为127、与string 不同得就是,name就是不可分割得与唯一得,不可分割就就是说一个 name对象就就是一个原子,比如/name,不能说n就就是这个name得一个元素;唯一就就是指两个相同得 name一定代表同一个对象、从pdf1、2开始,除了 ascii得0,别得都可以用一个#加两个十六进制得数字表示、/name 表示 name /name#20is 表示 nam

10、e is /name#200 表示 name 05、array用包含得一组对象,可以就是任何pdf对象(包括array)、虽然pdf只支持一维但就是一个array得元素不能超过array,但可以通过array得嵌套实现任意维数得array(8191)5493、14false(Ral ph)/SomeName6、Dictionary用"<<"与”>>"包含得若干组条目,每组条目都由key与value组成,其中key必须就是 name对象,并且一个 dictionary内得key就是唯一得;value可以就是任何pdf得合法对象(包括dicti

11、onary 对象)、<</In tegerItem12/Stri ngitem(astring)/Subdict ionary<</Item1/Item2true>>>>7、stream/LastItem(n ot!)/VeryLastItem(OK)由一个字典,与紧跟其后面得一组关键字stream与endstream以及这组关键字中间包含一系列字节组成、内容与 string 很相似,但有区别:stream可以分几次读取,分开使用不同得部分,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

12、大得数据都用stream表示、需要注意得就是,Stream必须就是间接对象,并且stream得字典必须就是直接对象。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得时候stream与endstream之间得内容就被忽略掉。dicti onarystreamdataen dstreamstream字典中常用得字段如下:字段名类型Len gth整形(必须)关键字 stream与endstream之间得数据长度,endstream之前可能会有一个多余得EOL标记,这个不计算在数据得长度中。Filter名字或数组(可选)Stream得编码算法名称(列表)。如果有多个,则数

13、组中得编码算法列表顺序就就是数据被编码得顺序。DecodeParms字典或数组(可选)一个参数字典或由参数字典组成得一个数组,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得所有参数都已经给了默认值,否则得话Decode Parms必须设置给Filter 。如果有多个 Filter,并且任意一个FilterFFilterFDecode Parms文件标识名字或字典字典或数组使用了非默认得参数,DecodeParms必须就是个数组,每个元素对应一个Filter得参数列表(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)者所有F

14、ilter被忽略了。(可选)保存。 如果没有Filter 需要参数,或得参数都有默认值,DecodeParms就streamstream 与 endstream数据得文件。如果有这个字段,就被忽略,FFilter将会代替将代替 DecodeParms。Length字段还就是表示stream与endstream之间数据得长Filter, FDecode Parms度,但就是通常此刻已经没有数据了,长度就是(可选)与filter类似,针对外部文件。(可选)与Decode Params类似,针对外部文件。0、8、NULL用 null表示,代表空.如果一个key得值为null ,则这个key可以被忽略

15、;如果引用一个不存在得 object则等价于引用一个空对象.例:(略)以上八种对象就是按照对象内涵来分得,如果按照对象得使用规则来说,对象又分为间接对所有对象都就象与直接对象。间接对象就是PDF中最常用得对象,如前面对象集合里面得,是间接对象,在其她位置通过R关键字来引用,在交叉引用表里面都就是通过间接对象来引用得。直接对象就更好理解了,上面得8种对象单独出现得时候就叫直接对象。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得物理结构,这就是第一步。但就是这个仅仅只就是基础,更重要得就是对PDF逻辑结构得解析。PDF得逻辑大体上就是一个树状结构,根节点

16、就是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得树形结构,详细讨论一下整个文件得逻辑框架。、catalog 根节点catalog就是整个PDF逻辑结构得根节点,这个可以通过 trailer 得Root字段定位,虽然简单,但就是相当重要,因为这里就是PDF文件物理结构与逻辑结构得连接点。Catalog字典包含得信息非常多,这里仅就最主要得几个字段做个说明。(1)Pages 字段这就是个必须字段,就是PDF里面所有页面得描述集合。P ages字段本身就是个字字段典,它里面又包含了一下几个主要字段: 类型Typen ame(必须)只能为Pages 。Parentdie

17、t ionar(如果不就是catalog里面指定得跟节点,则必须有,并且必须就 是间接对象)当前节点得直接父节点。Kidsarray(必须)一个间接对象组成得数组,节点可能就是page或page tree 。Cou ntin teger(必须)p age tree里面所包含叶子节点(p age 对象)得个数。从以上字段可以瞧出,Pages最主要得功能就就是组织所有得page对象。Page对象描述了一个PDF页面得属性、字段个重要得属性:类型Typen ame(必须)必须就是Page。Parentdictio nary(必须;并且只能就是间接对象)当前Page节点得直接父 节点 Page tre

18、e。LastModifieddate(如果存在Piece Info 字段,就必须有,否则可选)记录当前页面被最后一次修改得日期与时间。Resourcesdictio nary(必须;可继承)记录了当前Page用到得所有资源。如 果当前页不用任何资源,则这就是个空字典。忽略所有 字段则表示继承父节点得资源。MediaBoxrecta ngle(必须;得区域(可继承)定义了要显示或打印页面得物理媒介default user space un its)Crop Boxrecta ngle(可选;打印得时候,它得内容会被这个区域裁剪。默认值就就 是 MediaBox。可继承)定义了一个可视区域,当前页

19、被显示或资源等信息。Page对象就是一个字典,它主要包含一下几BleedBoxrecta ngle(可选)定义了一个区域,当输出设备就是个生产环境(production en viro nment)得时候,页面显示得内容会被裁剪。默认值就是Crop Box、Contentsstream orrray(可选)描述页面内容得流。如果这个字段缺省,则页面上什么也不会显示。这个值可以就是一个流,也可以就是由几个流组成得一 个数组。如果就是数组,实际效果相当于所有得流就是 按顺序连在一起得一个流,这就允许PDF生成得时候可以随时插入图片或其她资源。流之间得分割只就是词汇 上得一个分割,并不就是逻辑上或者

20、组织形式得切割。Rotatein tegerThumbstreamAnnotsarrayMetadatastream(可选;可继承)顺时钟旋转得角度数,这个必须就是 90得整数倍,默认就是 0。(可选)定义当前页得缩略图。(可选)与当前页面关联得注释。(可选)当前页包含得元数据。一个简单例子:3 0 obj<< /Type/Page/Pare nt 4 0 R /MediaBox 0 0 612 792 /Resources <</F on t<</F3 7 0 R /F5 9 0 R /F7 11 0 R>>/ProcSet /PDF >

21、>/Con te nts 12 0 R /Thumb 14 0 R /Annots 23 0 R 24 0 R>>en dobj(2) Outlines 字段Outline就是PDF里面为了方便用户从 PDF得一部分跳转到另外一部分而设计得,有时候也叫书签 (Bookmark),它就是一个树状结构,可以直观得把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,当打开个outline 时,用户可以瞧到它得所有子节点, 关闭一个outline 得时候,这个outline 得所有子节点会自动隐藏。 并且,在点击得时候,阅读器会自动跳转到 o

22、utline对应得 页面位置。Outl ines包含一下几个字段:KEYTYPEVALUETypen ame(可选)如果这个字段有值,则必须就是Outlines 。Firstdicti onary(必须;必须就是间接对象)第一个顶层Outli ne item。Lastdicti onary(必须;必须就是间接对象)最后一个顶层outl ine item 。Cou ntin teger(必须)outline 得所有层次得item得总数。Outli ne就是一个管理outline item得顶层对象,我们瞧到得,其实就是outlineitem,这个里面才包含了文字、行为、目标区域等等。一个outl

23、i ne item主要有一下几个字段:Titletextstri ng(必须)当前item要显示得标题。Parentdictio nary(必须;必须就是间接对象)outline层级中,当前item得父对象。如果item本身就是顶级item,则父对象就就是它本身。Prevdictio nary(除了每层得第一个item外,其她item必须有这个字段;必须 就是间接对象)当前层级中,此item得前一个item。Nextdictio nary(除了每层得最后一个item外,其她item必须有这个字段; 必须就是间接对象)当前层级中,此item得后一个item。Firstdictio nary(如果

24、当前item就是间接对象)有任何子节点,则这个字段就是必须得 当前item得第一个直接子节点。;必须Lastdictio nary(如果当前item就是间接对象)有任何子节点,则这个字段就是必须得当前item得最后一个直接子节点。;必须Destn ame, byte stri ng, or array dictio nary(可选;如果A字段存在,则这个不能被会略)当前得outline item被激活得时候,要显示得区域。(可选;如果Dest字段存在,则这个不能被忽略)当前得outli ne item被激活得时候,要执行得动作。(3) URI字段,定义了文档级别得统一资源标识符与相关URI(

25、uniform resource identifier)链接信息。目录与文档中得链接就就是通过这个字段来处理得。(4)Metadata 字段文档得一些附带信息, 用xml表示,符合adobe得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得大致信息。Catalog字典中,常用得字段一般有以下一些:字段类型值Typen ame(必须)必须为Catalog。Versio nn ame(可选)PDF文件所遵循得版本号(如果比文件头指定 得版本号高得话)。如果这个字段缺省或者文件头指 定得版本比这里得高,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得值来修改PDF文件版本号。P agesdictio nary(必须并且必须为间接对象)当前文档得页面集合入 口。PageLabelsnu mber tr11 O(可选)number tree ,定义了页面与页面 label对应ee关系。Namesdictio nary(可选)文档得name字典。Destsdictio

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论