PDF檔案結構（一）

————物理結構

                             作者：bobob

PDF(Portable   Document   Format,行動式文件結構)是一種很有用的檔案格式,其最大的特點是平臺無關而且功能強大(支援文字/圖象/表單/連結/音樂/視訊等).做PDF的解析，首先要熟悉PDF檔案的物理結構和邏輯結構。PDF檔案物理結構可分為以下幾塊:  
1.檔案頭檔案頭是PDF檔案的第一行,格式如下:      
 

%PDF-1.4
 

這是個固定格式，表示這個PDF檔案遵循的PDF規範版本，目前PDF的生成工具，除了官方的acrobat，其他生成的以1.4

從1.4版本以後，PDF檔案的版本並不唯一的只是在這裡表示了，可能後面會改寫（catalog的Version詞條），所以解析PDF的時候，如果這裡的版本大於等於1.4，應該再比較一下catalog裡面的version，取其中高一點的版本。

2.物件集合這是一個PDF檔案最重要的部分，檔案中用到的所有物件,包括文字/圖象/音樂/視訊/字型/超連線/加密資訊/文件結構資訊等等,都在這裡定義。格式如下:  

2 0 obj  
  ...  
  end obj  

一個物件的定義包含4個部分：

前面的2是物件序號，其用來唯一標記一個物件；0是生成號，按照PDF規範，如果一個PDF檔案被修改，那這個數字是累加的，它和物件序號一起標記是原始物件還是修改後的物件，但是實際開發中，很少有用這種方式修改PDF的，都是重新編排物件號；obj和endobj是物件的定義範圍，可以抽象的理解為這就是一個左括號和右括號；省略號部分是PDF規定的任意合法物件(一共8種，見後面附A)。

可以通過R關鍵字來引用任何一個物件，比如要引用上面的物件，可以使用2 0 R，需要主意的是，R關鍵字不僅可以引用一個已經定義的物件，還可以引用一個並不存在的物件，而且效果就和引用了一個空物件一樣。

0000000009   00000   n  
  8 3

0000000074   00000   n  
  0000000120   00000   n  
  0000000179   00000   n  
   
  其中,xref是開始標誌,表示以下為一個交叉引用表的內容;每個交叉引用表又可以分為若干個子段，每個子段的第一行是兩個數字，第一個是物件起始號，後面是連續的物件個數，接著每行是這個子段的每個物件的具體資訊——每行的前10個數字代表這個這個物件相對檔案頭的偏移地址,後面的5位數字是生成號（用於標記PDF的更新資訊，和物件的生成號作用類似），最後一位f或n表示物件是否被使用(n表示使用,f表示被刪除或沒有用)。上面這個交叉引用表一共有3個子段，分別有1個，1個，3個物件，第一個子段的物件不可用，其餘子段物件可用。

   
4.trailer:  
通過trailer可以快速的找到交叉引用表的位置，進而可以精確定位每一個物件；還可以通過它本身的字典還可以獲取檔案的一些全域性資訊（作者，關鍵字，標題等），加密資訊，等等。具體形式如下:  
  trailer  
  <<  
 key1   value1
 key2   value2
 key3   value3

…
  >>  
  startxref  
  553  
  %%EOF  
   
 trailer後面緊跟一個字典，包含若干鍵-值對。具體含義如下：

startxref:   後面的數字表示最後一個交叉引用表相對於檔案起始位置的偏移量。  
%%EOF   :檔案結束符.  
   
一個PDF檔案，都會有上面這樣的結構（線性化優化的PDF例外，這個後面單獨說）。實際一個pdf檔案是很複雜的,但是上面幾個部分是確定的,只能多不能少.瞭解了PDF檔案的物理結構，就可以提取出一個一個的物件了.PDF中的物件有8種：

1.booleam

用關鍵字true或false表示,可以是array物件的一個元素,或dictionary物件的一個條目.也可以用在PostScript計算函式裡面，做為if或ifesle的一個條件。

2.numeric

包括整形和實型,不支援非十進位制數字,不支援指數形式的數字.

例:

1)整數 1234567+111-2

範圍:正2的31次方-1到負的2的31次方

2)實數 12.30.8+6.3-4.01-3.+.03

範圍:±3.403×10的38次方±1.175×10的-38次方

注意:如果整數超過表示範圍將轉化成實數,如果實數超過範圍就出錯了

3.string

由一系列0-255之間的位元組組成,一個string總長度不能超過65535.string有以下兩種方式:

1)直接字串

由()包含起來的一個字串,中間可以使用轉義符"/".

例:

(abc) 表示abc

(a//) 表示a/

轉義符的定義如下：

2)十六進位制字串

由<>包含起來的一個16進位制串,兩位表示一個字元,不足兩位用0補齊

例:

<Aabb> 表示AA和BB兩個字元

<AAB> 表示AA和B0兩個字元

4.name

由一個前導/和後面一系列字元組成,最大長度為127.和string不同的是,name是不可分割的和唯一的,不可分割就是說一個name物件就是一個原子,比如/name,不能說n就是這個name的一個元素;唯一就是指兩個相同的name一定代表同一個物件.從pdf1.2開始,除了ascii的0,別的都可以用一個#加兩個十六進位制的數字表示.

例:

/name 表示name

/name#20is 表示name is

/name#200 表示name 0

5.array

用[]包含的一組物件,可以是任何pdf物件(包括array).雖然pdf只支援一維array,但可以通過array的巢狀實現任意維數的array(但是一個array的元素不能超過8191)

例:

[5493.14false(Ralph)/SomeName]

6.Dictionary

用"<<"和">>"包含的若干組條目,每組條目都由key和value組成,其中key必須是name物件,並且一個dictionary內的key是唯一的;value可以是任何pdf的合法物件(包括dictionary物件).

例:

<</IntegerItem12

/StringItem(astring)

/Subdictionary

<</Item10.4

/Item2true

/LastItem(not!)

/VeryLastItem(OK)

>>

>>

7.stream

由一個字典，和緊跟其後面的一組關鍵字stream和endstream以及這組關鍵字中間包含一系列位元組組成.內容和string很相似,但有區別:stream可以分幾次讀取,分開使用不同的部分,string必須作為一個整體一次全部讀取使用;string有長度限制,但stream卻沒有這個限制.一般較大的資料都用stream表示. 需要注意的是，Stream必須是間接物件，並且stream的字典必須是直接物件。從1.2規範以後，stream可以以外部檔案形式存在，這種情況下，解析PDF的時候stream和endstream之間的內容就被忽略掉。

例:

dictionary

stream

… data …

endstream

stream字典中常用的欄位如下：

8.NULL

用null表示，代表空．如果一個key的值為null，則這個key可以被忽略；如果引用一個不存在的object則等價於引用一個空物件．

例:(略)

以上八種物件是按照物件內涵來分的，如果按照物件的使用規則來說，物件又分為間接物件和直接物件。間接物件是PDF中最常用的物件，如前面物件集合裡面的，所有物件都是間接物件，在其他位置通過R關鍵字來引用，在交叉引用表裡面都是通過間接物件來引用的。直接物件就更好理解了，上面的8種物件單獨出現的時候就叫直接物件。