PDF文件结构全.docVIP

PDF文件结构（一） ???? ————物理结构 ?????????????????????????????作者：bobob ?????????????????????????????邮件：zxbbobob@ ? 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: ? ? ? ? xref ? ? 0 1 ? ? 0000000000 ? 65535 ? f ? ? 4 1 0000000009 ? 00000 ? n ? ? 8 3 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 Ca