pdf文件的简单介绍-提取pdf中的内容

pdf文件

• pdf文档格式是一种电子文件格式，与操作系统，软件，硬件无关。可以在多个平台上面通用。

• 用文本编辑器打开pdf文档，可以看到文件头%PDF-1.4 最后一位是PDF文件格式版本号，软件版本号比文件版本号高1。文件体里面是obj对象，每个对象的格式为：

  3 0 obj
  <<
  /Type /pages
  /count 1
  /Kids [4 0 R]
  >>
  endobj
  

  其中3是对象号用来标识唯一对象，0是产生号表示修改了几次。对象的内容在<< >> ，之间，然后以关键字 endobj 结束obj对象

• 在文件的尾部有一个交叉引用表xref用来索引各个obj对象在文档中的位置。

  xref
  0 8
  0000000000 65535 f
  0000000009 00000 n
  0000000074 00000 n
  0000000120 00000 n
  0000000179 00000 n
  0000000322 00000 n
  0000000415 00000 n
  0000000445 00000 n
  

  以xref开头

  0 8 表示下面要描述的对象号从0开始，一共有8个，包括0号对象。第一行，含有f，是第0个对象，f表示对象(free)未启用obj对象，65535是最大的修改次数。下面的含有n的表示启用obj对象，前面的一串数字表示的是偏移地址，这是相对于第一个obj来定义的。

• xref的后面还有一个Trailer</