PDF学习（二）

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：

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

 

（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：

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。

（3）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。

 

（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) 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。