PDF文件结构详解范本模板.docx
- 文档编号:27541624
- 上传时间:2023-07-02
- 格式:DOCX
- 页数:22
- 大小:22.86KB
PDF文件结构详解范本模板.docx
《PDF文件结构详解范本模板.docx》由会员分享,可在线阅读,更多相关《PDF文件结构详解范本模板.docx(22页珍藏版)》请在冰豆网上搜索。
PDF文件结构详解范本模板
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:
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: zxbbobob@hotmail。 com 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 <〈/Type/Page /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
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- PDF 文件 结构 详解 范本 模板