PDF格式学习
PDF简介
PDF是Portable Document Format 的缩写,可翻译为“便携文件格式”,由Adobe System Incorporated 公司在1992年发明。
PDF文件是一种编程形式的文档格式,它所有显示的内容,都是通过相应的操作符进行绘制的。
PDF基本显示单元包括:文字,图片,矢量图,图片
PDF扩展单元包括:水印,电子署名,注释,表单,多媒体,3D
PDF动作单元:书签,超链接(拥有动作的单元有很多个,包括电子署名,多媒体等等)
PDF的优点
一致性:在所有可以打开PDF的机器上,展示的效果是完全一致,不会出现段落错乱、文字乱码这些排版问题。尤其是文档中,本身可以嵌入字体,避免了客户端没有对应字体,而导致文字显示不一致的问题。所以,在印刷行业,绝大多数用的都是PDF格式。
不易修改:用过PDF文件的人,都会知道,对已经保存之后的PDF文件,想要进行重新排版,基本上就不可能的,这就保证了从资料源发往外界的资料,不容易被篡改。
安全性:PDF文档可以进行加密,包括以下几种加密形式:文档打开密码,文档权限密码,文档证书密码,加密的方法包括:RC4,AES,通过加密这种形式,可以达到资料防扩散等目的。
不失真:PDF文件中,使用了矢量图,在文件浏览时,无论放大多少倍,都不会导致使用矢量图绘制的文字,图案的失真。
支持多种压缩方式:为了减少PDF文件的size,PDF格式支持各种压缩方式:asciihex,ascii85,lzw,runlength,ccitt,jbig2,jpeg(DCT),jpeg2000(jpx)
支持多种印刷标准:支持PDF-A,PDF-X
PDF格式
根据PDF官方指南,理解PDF格式可以从四个方面下手——Objects(对象)、File structure(物理文件结构)、Document structure(逻辑文件结构)、Content streams(内容流)。
对象
物理文件结构
整体上分为文件头(Header)、对象集合(Body)、交叉引用表(Xref table)、文件尾(Trailer)四个部分,结构如图。修改过的PDF结构会有部分变化。
未经修改
经修改
文件头
文件头是PDF文件的第一行,格式如下:
%PDF-1.7
这是个固定格式,表示这个PDF文件遵循的PDF规范版本,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。1.7版本支持1.0-1.7之间的所有版本。
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。
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。
对象主要有下面几种
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if esle的一个条件。
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会出错
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:
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: \
表示AA和BB两个字符 \ 表示AA和B0两个字符直接字串 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(Form feed (FF)) |
/( | 左括号 |
/) | 右括号 |
// | 反斜杠 |
/ddd | 八进制形式的字符 |
对象类别(续)
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是不可分割的并且是唯一的,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name is
/name#200 表示name 0array 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]
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) >> >>
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。 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。且需要被编码。编码算法主要如下:
编码可视化主要显示为乱码,所以提供了隐藏信息的机会,如下图的steam内容为乱码。
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。
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。
文件尾
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 |
上面代码中的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
逻辑文件结构
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。
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page tree。 Count integer (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:
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)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page tree 。 |
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(default user space units) |
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( production environment)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:
3 0 obj
<< /Type /Page
/Parent 4 0 R
/MediaBox [ 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 R]
>>
endobj
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包含以下几个字段:
字段 类型 值 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Outline item。 Last dictionary (必须;必须是间接对象)最后一个顶层outline item。 Count integer (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:
字段 类型 值 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,byte string, or array (可选; 如果A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 dictionary (可选; 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。 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.
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。
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) number tree,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Optional content group 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 | array or dictionary | (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URI action信息。 |
AcroForm | dictionary | (可选)文档的交互式form (AcroForm)字典。 |
Metadata | stream | (可选;必须是间接对象)文档包含的元数据流。 |