PDF格式水很深

前一段时间接了个PDF数据提取的活, 之前也做了许多文件格式解析的事情, 只要拿到格式规范基本都没有出现搞不定的情况。何况原来就有pdf的第三方组件, 所以满口答应2天搞定。

谁知道做进去才发现，PDF真的水很深。光有第三方库还是远远不够的，对着ISO32000标准来回看，才发现这个东西真的是一个大杂烩，什么技术都用上了。解码、格式解析、数据提取一样一样的，每一个让人省心。光说个字体，就够人烦的了。细节我就不多说了，总之，PDF水很深。

不过坐了半天也算小有所成，这里给后来人指点指点路数吧。

PDF格式的规范现在用的是ISO32000-1，对应的PDF版本是1.7，要解析PDF建议首先来看看这个，下载地址就不贴了，搜一下吧，反正官方是要钱的，不过我这里还是搞到了免费的，拿这个文档问题不大。不过如果英文不过关，估计就得打消念头了。

然后是用点第三方库，本身PDF结构解析的开源库还是有一些的，有些质量好点，功能多点，有些差点。我这里试了一下，针对.net, 比较满意的有两个: iTextSharp 和 PdfSharp。iTextSharp没有主动帮你构建结构树, 所以构建结构树得从PdfReader上一步一步来, 先找到root然后按图索骥, 不过其实直接枚举所有Object也是个办法, 当然前提是pdf不是很大的时候可以这样做. PdfSharp帮你把初步的根结够弄好了, 不过下面的自己结构还是要自己一点一点沿着引用去找. 两者相比较, iTextSharp功能更全面一些, 不过如果是用来做基本功能, 也差不多够了.

至于如何按图索骥, 看ISO32000吧。

然后另外一个很重要的东西是XMP，这个是Adobe做的一款用于描述metadata的XMP架构，它也不是个省油的灯。如果你是用XmlElement的读写方式去做，也就没必要看我这里了，那个是苦力活。我一般用的是xsd描述架构，然后生成对应的类，最后直接进行序列化、反序列化操作，流程比较简便，也更安全一些，毕竟有架构在那里保障着。

不过这套办法对于XMP是行不通的，除非能够把XMP所有的schema文档全弄来，这个可不是个轻松的事情。所以得绕点路。幸亏Adobe发布了个XmpToolKit，这个给C++和Java用的，另外SourceForge上有CS转换版本的CsXmlToolKit，总算帮忙解决了问题. 另外XMP的规范文档也在下载包里面，还是帮助不小的. 具体用法就参照里面的specification和document吧。不多说了。

最后给个小工具的链接，就是我用iTextSharp做的PDF文件结构查看器，分析数据内容挺有用:

http://download.csdn.net/detail/esmool/4919927