PDF文件资料结构详解

PDF文件结构（二）
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。

P age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：
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 ]
（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：。

PDF文件结构的分析Adobe的PDF参考告诉我们一个PDF文件可以通过下面4个方面来理解：1. 对象, 一个PDF文档是由一个由基本数据类型组成的数据结构。

2. 文件（物理结构）, 决定对象是如何存放在一个PDF文件中的，它们是如何被访问的，如何被更新的。

这个结构是独立于对象的语义的。

3. 文档结构, 说明一些基本的对象类型是如何来表现PDF文档-的成分的：页，字体，批注，和另外一些内容。

4. 内容流.一个PDF文件内容流包含一系列的指令，描述页面的外观或其他图形实体的外观和文件内容。

但是当时对我来说要看懂这几行字是有很大的困难的，需要了解确切含义，必须看完后面的几十页上百页的内容并且要分析一下一个实际的PDF文件才能完全领会它的意思。

后来经过长时间的文档阅读，相关开发，并且具体地分析PDF文件后才把PDF 文件的语法，文件的解析搞清楚。

虽然说学习是痛并快乐着，但是对于当时我来说真的希望有一个人能够告诉我一个简单的例子，通过一个简单的例子来描述PDF的基本组成，它的解析原理和过程。

因此下面我主要将以一个简单的例子来说明PDF的主要特性并给出一个简单的PDF文件的全景。

在继续阅读该文章前，我们先问自己下面的几个问题：l 你了解至少一种文件格式吗？（例如HTML）l 为什么要学习PDF的相关知识？如果你对第一个问题的答案为“是”, 并且第二个问题你能给出一个非常明确的答案，那么这篇短文是适合你的。

否则，如果对任何一种格式都不了解，建议先了解一下HTML，或XML，你可以从这两种语言里得到很多启发，对学习PDF 的构成有很大的好处；如果你不清楚你要学习是为了什么，那么我就认为你学习没有目的性和动力，说不定你今天学了以后明天就忘得一干二净。

1．PDF格式和HTML,XML格式：一个PDF文档从根本上来说是一个8字节序。

其实PDF格式和我们已经熟知的HTML，XML等结构化的文件格式一样，包含有关键字，分隔符，数据等等。

pdf 中文结构解析
PDF（Portable Document Format）是一种用于表示电子文档的开放标准。

由于PDF的广泛使用，许多工具和库被开发出来用于解析PDF文档的内容和结构。

当涉及到中文PDF文档时，结构解析可能会涉及一些特定的挑战，如字符编码和中文字符的处理。

要解析PDF文档的结构，通常需要使用专门的PDF处理库。

以下是一些流行的PDF处理库和工具，它们可以用来解析PDF文档的结构和内容：
1.PyPDF2：这是一个用于Python的PDF处理库，可以用来提取文本、
合并PDF文件、拆分PDF页面等。

然而，它对中文的支持可能不是最佳的，有时可能无法正确处理中文字符。

2.PDFMiner：这是另一个用于Python的PDF解析库，专注于从PDF
文档中提取文本和元数据。

与PyPDF2相比，PDFMiner在处理中文PDF时通常表现更好。

3.pdfplumber：这是基于PDFMiner构建的Python库，提供了更高级
别的API来处理PDF文档。

它可以识别PDF中的表格、图形等，并对中文支持较好。

4.Tesseract OCR：这是一个光学字符识别（OCR）引擎，可以用来识
别图像中的文本。

如果你的PDF文档是扫描的或包含图像，并且你希望提取其中的文本，那么Tesseract OCR可能是一个有用的工具。

它可以与各种编程语言和平台一起使用，包括对中文的支持。

在选择和使用这些工具时，请考虑你的具体需求和环境。

你可能需要对这些工具进行一些配置或优化，以便更好地处理中文PDF文档。

PDF的文件结构及格式特点PDF的文件结构及格式特点2010-04-15 12：50PDF(Portable Document Format)由Adobe公司所开发，是一种不论用何种类型的计算机均可阅读的文件格式。

PDF文件包含一个PDF文档和其它支持数据。

一个PDF文档包含一个或多个页面，每个页面包含与设备和分辨率无关的文字、图形和图像的任意组合，被称为页面描述。

文档还可以包含一些只有在电子读物中才存在的信息，如超文本链接、声音和动画等。

除了PDF文档之外，PDF文件中还包含一些其它信息，如：文件中使用的PDF规范的版本号，文件中重要结构的位置。

为了更好地理解PDF文件，可把PDF文件分解成四个部分。

第一部分是PDF的对象，PDF 的对象是一组基本对象类型。

这些类型绝大部分与Posts cript语言使用的数据类型对应。

PDF支持很多种基本的数据类型：布尔型、数字、字符串、字面名、数组、字典和流，另外还有一种空对象。

在PDF文件中，经常给一些对象赋予一个标签供其它对象调用，这种有标签的对象称为间接对象。

第二部分是PDF的文件结构。

PDF的文件结构决定了对象在PDF文件中的存储方式、访问方式和更新方式。

后面将详细分析。

第三部分是PDF的文档结构。

PDF的文档结构指定了怎样用基本对象类型来表示PDF的文档成分，包括：页面、注解、超文本链接、字体等。

第四部分是PDF的页面描述。

页面描述指的是页面上包含的与设备和分辨率无关的文字、图形和图像的任意组合。

PDF的页面描述可不依赖于PDF的其它部分而被单独地解释。

1、PDF的文件结构PDF的文件结构(即物理结构)包括四个部分：文件头、文件体、交叉引用表和文件尾。

文件头指明了该文件所遵从的PDF规范的版本号。

它出现在PDF文件的第一行。

如%PDF-1.2，表示该文件符合PDF-1.2规范。

文件体由一系列的PDF间接对象(inDirectob Ject)组成。

PDF(Portable Document Format,便携式文档结构)是一种很有用的文件格式,其最大的特点是平台无关而且功能强大(支持文字/图象/表单/链接/音乐/视频等).做PDF的解析，首先要熟悉PDF文件的物理结构和逻辑结构。

PDF文件物理结构可分为以下几块:1.文件头文件头是PDF文件的第一行,格式如下:%PDF-1.4这是个固定格式，表示这个PDF文件遵循的PDF规范版本，目前PDF的生成工具，除了官方的acrobat，其他生成的以1.4版本的居多。

对于做PDF开发来说，一个最简单的原则就是生成PDF的时候尽量符合低版本规范，以保证大多数解析器能支持；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。

从1.4版本以后，PDF文件的版本并不唯一的只是在这里表示了，可能后面会改写（catalog的Version词条），所以解析PDF的时候，如果这里的版本大于等于1.4，应该再比较一下catalog里面的version，取其中高一点的版本。

2.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(一共8种，见后面附A)。

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。

PDF（Portable Document Format）是一种常见的文档格式，被广泛应用于电子文档的交换和共享。

PDF文件的结构解析可以分为以下几个步骤：
1.确定PDF文件类型：首先需要确定PDF文件的具体类型，例如文本型、图片型、结构化PDF等。

不同类型的PDF文件解析方法有所不同。

2.解析PDF文件的元数据：元数据是PDF文件中的一些重要信息，如文件大小、创建时间、修改时间等。

可以使用一些工具来提取元数据。

3.解析PDF文件的页面结构：页面结构是指PDF文件中的页面布局和排版。

可以使用PDF编辑软件或解析工具来查看和分析PDF文件的页面结
构。

4.解析PDF文件的对象：PDF文件由一系列对象组成，包括文本对象、图像对象、图形对象等。

解析这些对象可以深入了解PDF文件的内部结
构和内容。

5.解析PDF文件的流：在解析完PDF文件的对象后，需要将这些对象按照特定的流组织起来，形成最终的PDF文件。

解析这些流可以了解文件
的结构和组成。

在解析PDF文件时，可以使用一些工具和库来辅助，如Adobe Acrobat、PDFMiner等。

这些工具可以帮助你快速解析和提取PDF文件中的信息，并且可以提供更深入的分析和理解。

pdf多层复合文档构造PDF（Portable Document Format，便携式文档格式）是一种应用广泛的电子文档格式，在生活和工作中得到广泛应用。

当需要将不同的信息整合到一起，并保留格式和排版时，PDF多层复合文档就成为了一种有效的工具。

PDF多层复合文档构造是指将多个文档合并成为一个文档，并在文档中使用分层和链接的方式，实现信息分类、可视化和快速搜索等功能。

通常在PDF多层复合文档中，我们会包含如下信息：一、主文档主文档是PDF多层复合文档中的核心文档，通常包含主题、目的、大纲、内容概述和背景等信息。

在主文档中，我们要注意以下几点：1、清晰明了的主题：主文档需要明确的表达文档的主题，确保读者能够快速了解文档内容。

2、清晰的大纲：主文档需要具备清晰的大纲结构，便于读者一目了然地了解文档内容，同时方便读者在文档中进行快速查找。

二、子文档子文档是PDF多层复合文档中的次要文档，通常用于补充主文档的内容，或者提供更加详细和专业的大纲和内容。

在子文档的构造中，我们要注意以下几点：1、清晰的分层结构：子文档需要具备清晰的分层结构，方便读者在文档中进行快速查找。

2、丰富的内容：子文档中需要提供丰富的内容信息，便于读者了解文档的详细内容。

同时需要对不同的内容进行分类和链接，方便读者在文档中进行快速查找。

三、图表和图片图表和图片是PDF多层复合文档中不可或缺的组成部分，它们可以直观地显示数据和信息，同时对文档的美观度有很大的影响。

在图表和图片的构造中，我们要注意以下几点：1、清晰明了的图表：图表需要简洁明了，便于读者理解。

2、美观的图片：图片需要有高质量的分辨率，同时需要符合文档的主题，从而提高文档的美观度。

PDF多层复合文档的构造需要我们对文档的结构、分层、链接、图表、图片等方面进行深入的思考和设计，以确保文档的内容清晰，结构合理，美观大方。

同时，PDF多层复合文档在生活和工作中具有很大的应用价值，比如用于宣传材料、工作报告、学术论文等方面，在不同的场合中表现出来的价值不同，我们需要根据不同的情况进行灵活应用。

pdf文件核心内容解析PDF（Portable Document Format）是一种用于电子文档交换和展示的文件格式。

它的核心内容解析涉及到以下几个方面：1. 文件结构解析，PDF文件由一系列对象组成，包括头部、交叉引用表、对象定义和内容流。

解析PDF文件的核心是读取并解析这些对象，以获取文件的结构和内容。

2. 字体解析，PDF文件中的文本通常使用字体来显示。

在解析PDF文件时，需要解析字体定义，包括字体类型、字体名称、编码方式等信息，以正确地显示和处理文本内容。

3. 图像解析，PDF文件中可以包含图像对象，如位图和矢量图。

解析PDF文件时，需要解析图像对象的属性，包括图像类型、尺寸、颜色空间等信息，以便正确地显示和处理图像内容。

4. 页面解析，PDF文件由多个页面组成。

解析PDF文件时，需要解析页面对象的属性，包括页面尺寸、旋转角度、内容流等信息，以便正确地显示和处理页面内容。

5. 链接解析，PDF文件中可以包含链接，用于跳转到其他页面或打开其他文件。

解析PDF文件时，需要解析链接对象的属性，包括链接类型、目标页面或文件的位置等信息，以便正确地处理链接。

6. 注释解析，PDF文件中可以包含注释，用于添加额外的说明或标记。

解析PDF文件时，需要解析注释对象的属性，包括注释类型、位置、内容等信息，以便正确地显示和处理注释。

7. 加密解析，有些PDF文件可能使用加密算法对内容进行保护。

解析加密的PDF文件时，需要解析加密算法和密钥信息，以便正确地解密和访问文件内容。

综上所述，解析PDF文件的核心内容涉及文件结构、字体、图像、页面、链接、注释和加密等多个方面。

通过对这些内容的解析，可以完整地获取和处理PDF文件的各个部分。

全解析pdf时间：2002-11-11 11:00 来源：印刷英才网编辑：天天次PDF（Portable Document Format，可携带式文件格式）是Adobe公司推出的一种电子出版文件格式。

近年来，基于PDF的工作流程，如Heidelbergh和Creo共同推出的Prinergy、Scitex 的Brisque Extreme等不断推出，CGATS（Committee of Graphic Arts Technologies Standards。

PDF（PortableDocumentFormat，可携带式文件格式）是Adobe公司推出的一种电子出版文件格式。

近年来，基于PDF的工作流程，如Heidelbergh和Creo共同推出的Prinergy、Scitex的BrisqueExtreme等不断推出，CGA TS（CommitteeofGraphicArtsTechnologiesStandards，印刷技术标准化委员会）已选定PDF作为印刷数字传递标准的基础。

PDF在电子出版和印刷领域有着光明的前途。

PDF是基于PS语言的一种格式。

它与PS语言有很多相似之处，如相同的成像模式、相似的页面操作符。

但它是一种格式，而不是一种编程语言，不需解释和光栅化即可视、可编辑。

理解PDFPDF是与设备无关的、与分辨力无关的文件模式。

它用一种与软件、硬件和操作系统无关的方式来描述文件。

PDF文件包括PDF文件和其它支持数据。

它可被理解成几个部分：基本对象类型、文件结构和页面描述。

PDF引进了类、对象的概念，是面向对象的格式。

PDF中定义的基本对象类型有：布尔代数、数字、字符串和文本、名字、数组、字典、流和空对象。

这些对象都是直接对象。

它们在使用的时候定义。

还有一类非常重要的对象叫间接对象。

它一次定义，可以被多次引用。

任何直接对象都可以被说明为间接对象。

间接对象非常有用。

它一方面减小了文件尺寸，另一方面PDF浏览程序遇到间接对象并不马上读取间接对象的定义部分，直到需要时才去读。

图-2 PDF 文档结构 4、PDF 中的资源：
PDF 文件中的内容(如文字、图形、图像)都保存在页面对象的 Contents 关键字对应的流 对象(Stream)中。内容流(Content Stream)中用到了很多基本对象如数字、字符串，这些都是 用直接对象(Direct Object)表示的。但还有其他一些对象如字体(Font)，本身就是用字典对象 (Dictionary)或流对象(Stream)来表示的，无法用直接对象表示，而内容流中又不能出现任何 间接对象，于是就将这些对象命名，并在内容流中用相应的名字来表示它们。这些用名字来 表示的对象就称作命名资源(Named Resources)。
PDF 的结构可以从文件结构和逻辑结构两个方面来理解。 PDF 的文件结构指的是其文 件物理组织方式，逻辑结构则指的是其内容的逻辑组织方式[1]。 1、数据对象类型：
PDF 文件的基本元素是 PDF 对象(PDF Object)，PDF 对象包括直接对象(Direct Object) 和间接对象(Indirect Object)；其中直接对象如下几种基本类型：布尔型(Boolean)、数值型 (Number)、字符串型(String)、名字型(Name)、数组型(Array)、字典型(Dictionary)、流对象 (Stream)以及空对象(Null)；间接对象是一种标识了的 PDF 对象，这个标识叫作间接对象的 ID。标识的目的是为了让别的 PDF 对象引用。任何 PDF 对象标识后都变成了间接对象。 2、PDF 文件结构：
[/ICCBased 3 0 R]
>>
Endobj
#Object 结束关键字
7 0 obj
<<
/Filter
/FlateDecode

PDF文件体(Body)由一系列的间接对象组成，这些间接对象构成了PDF文件的具体内容，如字体、页面、图像等。

这些间接对象是PDF文件的重要组成部分，因为它们定义了PDF文件的页面内容、元数据、安全性等。

PDF文件结构是一种树型结构，其根节点就是PDF文件的根对象(Catalog)。

根节点下有四个子树：页面树(Pages Tree)、书签树(Outline Tree)、线索树(Article Threads)、名字树(Named Destination)。

这些子树进一步细化了PDF文件的内容，并提供了对文件内容的访问和导航功能。

在PDF文件的交叉引用表(Cross-reference Table)中，可以找到间接对象的地址索引。

交叉引用表是用于对间接对象进行随机存取的关键所在。

它提供了一个间接对象的地址，这样应用程序就可以找到该间接对象并对其进行操作。

文件尾(Trailer)声明了交叉引用表的地址，指明了文件体的根对象(Catalog)，并保存了加密等安全信息。

PDF的应用程序可以通过读取文件尾提供的信息，找到交叉引用表和整个PDF文件的根对象，从而控制整个PDF文件。

总的来说，PDF的文件体结构是一种复杂而有序的树型结构，它
由一系列间接对象组成，并通过交叉引用表和文件尾来管理和控制这些对象。

这种结构使得PDF文件具有很高的灵活性和可扩展性，可以容纳各种类型的内容和元数据。

PDF⽂件的基本结构（详细）1 Header部分PDF⽂件的第⼀⾏应是由5个字符“%PDF-”后跟“1.N”的版本号组成的标题，其中N是0到7之间的数字。

例如下⾯的： %PDF–1.0 %PDF–1.1 %PDF–1.2 %PDF–1.3 %PDF–1.4 %PDF–1.5 %PDF–1.6 %PDF–1.7从PDF 1.4开始，应使⽤⽂档⽬录字典中的Version 条⽬（通过⽂件Trailer部分的Root条⽬指定版本），⽽不是标题中指定的版本。

2 Body部分PDF⽂件的正⽂应由表⽰⽂件内容的⼀系列间接对象组成，例如字体、页⾯和采样图像。

从PDF 1.5开始，Body还可以包含对象流，每个对象流包含⼀系列间接对象。

例如下⾯这样：10 obj<< /Type /Catalog /Outlines 20 R /Pages 30 R>>endobj20 obj<< /Type Outlines /Count 0>>endobj30 obj<< /Type /Pages/Kids [40 R]/Count 1>>endobj40 obj<< /Type /Page /Parent 30 R /MediaBox [00612792] /Contents 50 R /Resources << /ProcSet 60 R >>>>endobj50 obj<< /Length 35 >>stream …Page-marking operators…endstreamendobj60 obj[/PDF]endobj3 Cross-Reference Table 交叉引⽤表部分交叉引⽤表包含⽂件中间接对象的信息，以便允许对这些对象进⾏随机访问，因此⽆需读取整个⽂件即可定位任何特定对象。

PDF文档理解一、引言PDF（Portable Document Format）是一种常用的文档格式，广泛应用于电子文档的创建、分享和传输。

随着数字化时代的到来，PDF文档已成为电子文档管理、电子书、学术论文、商业报告等的重要载体。

然而，由于PDF文档的多样性和复杂性，对PDF文档的理解是一项具有挑战性的任务。

本文旨在探讨PDF文档的结构与特点、理解的挑战以及解决方法的现状，并指出未来的研究方向。

二、PDF文档的结构与特点PDF是一种基于PostScript语言的文档格式，它提供了数字化的文档表示，并能够在不同平台和设备上保持一致的外观。

PDF文档由一系列的页面组成，每个页面包含了文本、图像、图形、超链接等元素。

此外，PDF还支持各种交互功能，如表单字段、书签、注释等。

PDF文档的特点主要表现在以下几个方面：1.跨平台性：PDF文档可以在不同操作系统、不同设备和不同软件上打开和查看，使得信息的传递和共享更加方便。

2.内容完整性：PDF文档中的内容以数字化的形式呈现，保证了信息的完整性和不变性。

3.交互性：PDF文档支持超链接、表单字段等交互功能，为用户提供了更加丰富的阅读和操作体验。

4.安全性：PDF文档支持加密、数字签名等安全机制，保障了文档的信息安全和完整性。

三、PDF文档理解的挑战与解决方法PDF文档理解面临的主要挑战包括：1.结构化信息抽取：由于PDF文档中的信息是非结构化的，因此需要从PDF页面中抽取结构化的信息，如文本、图像等。

2.语义理解：PDF文档中的内容往往涉及到大量的语义信息，如文本的含义、图表的意义等，需要对这些信息进行深入理解和分析。

3.交互功能解析：PDF文档中的超链接、表单字段等交互功能需要进行解析和处理，以实现相应的功能。

4.安全性问题：由于PDF文档支持加密、数字签名等安全机制，需要对这些机制进行理解和处理，以保证信息的安全性和完整性。

为了解决这些挑战，可以采用以下方法：1.利用机器学习和自然语言处理技术进行文本信息的抽取和分类，提高信息抽取的准确率和效率。

PDF结构PDF是一种文件格式，其内容可以是任何文本、图像的组合，它不依赖于产生或显示它的程序、硬件、以及操作系统，不仅如此，它还具备精准的排版能力，这也是其核心所在。

想要更深入的了解PDF，首先应该明确其组成（物理结构和逻辑结构）。

从物理结构的层面，我们可以了解到一个PDF文件中的对象时如何被访问的，在逻辑结构层面，则向大家展示了PDF文件中对象的表现形式。

从以下四个方面可以更好的理解PDF的语法。

1、对象PDF文档可以理解为一个数据结构，该数据结构是数据对象所属基本类型的一个小集合。

在最低层，PDF文档是一个8位字节的序列，这些字节可以根据后面的语法规则分组为不同的标识，一个或多个标识便构成了更高层的实体，即对象，这也是构成PDF文档的基本数据值。

2、文件结构（物理结构）文件结构向我们阐述了每个单独的对象，是如何被有效的组织起来的。

一个规范的PDF 文档一般包含四个重要元素：a、文件头（Header）：只有一行，用以说明该PDF文档对应的PDF规范的版本。

b、文件体（Body）：包含组成该文档的对象。

c、交叉引用表（Cross-reference table）：包含该文档中间接对象的信息，是PDF文件内部一种特殊的文件组织方式，方便对象的访问与查找（类似ELF 文件的查找方式）。

d、文件尾（Trailer）：指明交叉引用表以及某些特殊对象在文件中的位置。

3、文档结构文档结构告诉我们怎样使用基本对象类型表示一个PDF文档中的单元，例如：页面、字体、注解等。

4、内容序列PDF内容序列是一系列用于构画页面或其他图形实体外观形状的指令。

首先我们看一个简单的纯文本类型的PDF文件。

首行%PDF-1.7属于文件头部分。

需要注意的是，从1.4版本以后，PDF文件的版本并不唯一的只是在首行进行表示了，也可能在后面改写（catalog的version词条），所以，在解析PDF文件时，如果版本高于或等于1.4，应该再比较一下catalog里面的version，取其中高一点的版本。

PDF文件格式洋文馆2014年9月10日目录1文件结构11.1基础 (1)1.2文件头 (2)1.3文件实体 (2)1.4交叉引用表 (2)1.5文件尾(Trailer) (4)1.6增量更新 (5)1.7对象流 (5)1.8交叉引用流 (8)1.8.1介绍 (8)1.8.2交叉引用流的目录 (9)1.8.3交叉引用流的数据 (10)2字体11 3过滤器12 4流数据的操作符135交互特性155.1注释 (15)6文档176.1文档分类 (17)6.2文档提纲 (18)7页面197.1不同页面对象的显式指定 (19)7.2页面树节点属性 (19)8文档的高级信息208.1过程集合(Procedure Set) (20)9示例219.1框架示例 (21)9.1.1交叉引用段Xref分析 (26)9.1.2obj stream13分析 (30)9.1.3obj stream342分析 (36)写在前面本文档来自于Adobe官方手册<Document management-Portable document format-Part1:PDF1.7>,文档编号为PDF32000-1: 2008,其中的7.5节<File Structure>.1.文件结构1.1基础本章描述了PDF文件的对象组织,它们可用于高效随机访问和增量更新,一个基本的PDF文件将会包含四种元素,如图1.•header,用于标识PDF文件的版本号.•body(实体),将包含生成文档的文件对象.•cross-reference table(交叉引用表),将包含文件中引用对象的信息.•trailer(尾部信息),可给出文件实体包含的一些特殊对象,以及交叉引用表的位置.基础结构可进行更新,而额外的元素可附加到文件末尾,参见章节”增量更新”中的细节.图1-1PDF文件的基础结构如图所示,PDF文件的包是按顺序排列的,而每行都会使用一个行尾标记(EOL),例如CARRIAGE RETURN(0Dh),或是LINE FEED(0Ah),而PDF文件中包含的二进制数据可以是任意长度.注意:这是为了增强处理PDF文件的程序的兼容性,这些行不属于流对象数据(文本数据),所以不能大于256个字符,但有一个例外,从PDF-1.3开始,数字签名的内容将不会受到256个字符的限制.这些规则可保证PDF文件的处理基本一致,而其他的规则可满足网络环境中,对PDF的文档组件进行高效的增量访问,这类组织方式被称为线性化PDF(Linearized PDF).PDF文件的标记十进制十六进制八进制名称000000Null(NUL),空字符909011HORIZONTAL TAB(HT),水平(行)tab100A012LINE FEED(LF),行尾标记120C014FORM FEED(FF),类型末尾标记130D015CARRIAGE RETURN(CR),回车符号3220040SPACE(SP),空格表1.1:空白字符的标记图形符号十进制十六进制八进制名称(402850LEFT PARENTHESIS)412951RIGHT PARENTHESIS<603C60LESS-THAN SIGN>623E62GREATER-THAN SIGN[915B133LEFT SQUARE BRACKET]935D135RIGHT SQUARE BRACKET{1237B173LEFT CURLY BRACKET}1257D175RIGHT CURLY BRACKET/472F57SOLIDUS%372545百分号,用于注释文本表1.2:分界符1.2文件头header将包含5个字符,%PDF-之后将会跟随一个版本号1.x,x为0-7的数字,比如%PDF–1.0,%PDF–1.1,%PDF–1.2,%PDF–1. 3,%PDF–1.4,%PDF–1.5,%PDF–1.6,%PDF–1.7.从PDF-1.4开始,文档目录中的Version属性(可通过文件trailer的Root属性进行定位)如果存在,可用于替换header中指定的版本号.注意:版本号可通过一致性的写入器进行更新,也就是前面提到的增量更新.通过以上条件,一致性的读取器可处理其接受的最新版本的PDF文件,而对于更新的一些PDF特性,也就是读取器无法理解的特性,将会被安全地忽略.ISO32000标准在文档的分类目录中定义了Extensions属性,它可以在PDF文件中标识开发者的自定义扩展.如果PDF文件中包含了二进制数据,大多数情况下都会包含,文件头之后必须立即跟随一个注释行,其中至少需包含4位二进制数(半个字节),而这些数值可表示128个编码或是更多的编码,这可保证文件传送应用的正确性,也就是在文件起始处进行数据检查,以便确认所处理的文件是文本型还是二进制类型.1.3文件实体PDF文件的body中,会使用一组间接对象的序列来描述文档的内容,对象(7.3对象)则是用于描述文档组件,比如字体,页面号和已采样图像,从PDF-1.5开始,实体中还可包含对象流,其中每个对象都能包含一组间接对象的序列(7.5.7对象流).1.4交叉引用表交叉引用表中包含的信息,允许对文件中的间接对象进行随机访问,因此无需读取整个文件,以实现对特定对象的定位,在表中,每个间接对象都会包含一行文本,用于指定其在文件实体中的字节偏移量.(从PDF-1.5开始,一部分或全部的交叉引用信息都会包含在交叉引用流数据中7.5.8)注意:交叉引用表仅是PDF文件的一部分,但具有固定格式,并允许随机访问表中的对象.表中会包含一个或多个交叉引用段(cross-reference section),起初整个表只有一个段(如果文件已被线性化,则有两个段),每次对文件进行增量更新时,都会增加一个额外的段.每个交叉引用段的起始处都会包含一个关键字xref,之后可包含一个或多个交叉引用子段(subsection),而这些子段之间是不存在次序的,如果文件已不再需要增量更新时,交叉引用段可只包含一个子段,而其中的对象编号会从0开始.注意:子段的结构对于增量更新来说意义重大,它允许添加新的交叉引用段到PDF文件中,并能在其中包含添加和删除对象的属性.每个交叉引用子段都能包含一组连续的对象编号,而任意两个编号之前会使用空格进行分割(SPACE,20h),并指明第一个对象的编号以及子段中对象编号的总数.例:285它表示子段中包含了5个对象,而对象编号为28-32.一个特定对象编码不能在单个段的多个子段中出现.以下将给出一个交叉引用的属性,每一行表示一个属性,每个属性的长度必须为20个字节,其中包含了行尾标记,这里会有两种交叉引用的属性,一种针对需使用的对象,另一种针对将被删除的对象(也就是会被释放的对象),而这两种类型的属性将会使用相似的基础格式,并会使用关键字n(使用属性)和f(释放属性)进行区分,使用属性的格式如下: nnnnnnnnnn ggggg n eol其中:•nnnnnnnnnn:表示解码流中10个字节的偏移量.•ggggg:表示5个字节的重复使用次数.•n:标记使用属性的关键字.•eol:表示4个字节的行尾标记.解码流中的字节偏移量为10个字节,如果需要可使用0填充,它将标记文件起始处到对象起始处之间的字节数,之后会使用空格(SPACE)分隔已生成的对象编号,该编号有5个字节,也能使用0填充,然后再使用空格分隔关键字n,之后是2个字符的行尾标记,可以是SP CR,SP LF或CR LF,10+5+1+4=20,因此整个属性的长度为20个字节.交叉引用的释放属性也将使用相同的格式,除去关键字f.nnnnnnnnnn ggggg f eol其中:•nnnnnnnnnn:表示下一个删除对象的10个字节的id号.•ggggg:表示5个字节的重复使用次数.•f:标记释放属性的关键字.•eol:表示4个字节的行尾标记.这里有两种方法,可将释放属性配置成释放属性列表中的一个成员,交叉引用表的释放属性可构成一个链表,每个释放属性中都会包含下一个对象的id,表中的第一个释放属性(对象编号为0),还会包含一个重复使用次数(65535),并且它还是释放对象的链表头,最后一个释放属性(链表尾)的对象id将回转到0,而第二种方法,则是将未包含在链表中的其他释放属性的对象id都回转到0,且包含了一个重复使用次数(65535).除了对象id为0之外,交叉引用表中所有对象的重复使用次数的初始值都为0,当一个间接对象被删除后,它的交叉引用属性也将被标记为释放,并且会添加到释放属性的链表中,若该对象需要重复创建时,重复使用次数也会加1,因此每当属性重复创建时,都会生成一个新的重复使用次数,最大的重复使用次数为65535,当交叉引用属性到达这个数值时,将不会再重复使用.交叉引用表(包含了原始的交叉引用段和所有的更新段)中,可在属性中包含0到最大值的对象id,即使有些对象id并没有出现在文件中.例:以下的交叉引用段给出了一个包含6个属性的子段,4个是使用对象(对象id为1,2,4,5),2个释放对象(对象id为0,3),对象id为3的对象已被删除,并且下一次重复创建的使用次数将从7开始.xref06000000000365535f000000001700000n000000008100000n000000000000007f000000033100000n000000040900000n例:以下的交叉引用段给出了4个子段,并一共包含了5个属性,第一个子段中包含了一个属性,id为0的对象将被释放,第二个子段中也包含了一个属性,id为3的对象将被使用,第三个子段中包含了2个属性,id为23和24的对象都将被使用,而id为23的对象是重复使用,因此给出了一个重复使用的次数(2),第四个子段中包含了一个属性,id 为30的对象将被使用.xref01000000000065535f31000002532500000n232000002551800002n000002563500000n301000002577700000n1.5文件尾(Trailer)PDF的文件尾可使读取器快速查找交叉引用表和某些特殊对象,所以PDF文件的读取器通常会从尾部开始读取,文件的最后一行只会包含一个文件尾标记%%EOF,在之前的两行中,将会包含关键字startxref,以及文件起始位到最后交叉引用段的xref关键字的字节偏移量(解码流),在startxref之前,还会包含一个关键字trailer,其中将包含以角括号(LESS-THAN SIGNs(3Ch)和GREATER-THAN SIGNs(3Eh))封闭的一系列键值对,而文件尾的整个结构如下:1trailer2<<key1v a l u e13key2v a l u e24...5keyn valuen6>>7startxref8B y t e_o f f s e t_o f_l a s t_c r o s s-r e f e r e n c e_s e c t i o n9%%EOF键名类型数值说明Size整型(非间接引用),将给出文件的交叉引用表中所有属性的总数,也就是已定义的原始段和所有更新段,因此文件中定义的对象ID将大于1.若交叉引用表中任意对象的id大于Size,则表明它的定义已经丢失,并且会被读取器忽略.Prev整型(若文件中包含多个交叉引用段,Prev将是一个间接引用),它将标记文件起始处与前一个交叉引用段之间的字节偏移量.Root目录(间接引用),即为文件中PDF文档的分类目录.Encrypt目录(若文件被加密,将会包含,从PDF-1.1开始支持),即为文档的加密目录.Info目录(可选,间接引用),即为文档的信息目录.ID数组(如果Encrypt属性出现将包含,否则可选,从PDF-1.1开始支持),该数组中包含的两个字节将构成一个文件标识符,当Encrypt属性存在时,该数组将是直接对象且不会加密.注意1:由于ID未被加密,因此可检查ID键,以确定加密前的文件是能被访问的,所以该数组不能被加密.注意2:由于这个属性是可选的,它的缺失也可避免一些依赖于文件唯一标识符的工作流的运行.注意3:若ID数据作为加密算法的输入,如果这些数据是间接引用或是ID数组为间接引用,这些数据在写入时必须加密,而这在读取器中将变成一个死锁条件:ID数据必须在解密时,使用自身进行解密,而自身也是加密的,又必须解密,如此将出现死锁,所以之前的限制就是为了预防这个死锁.表1.3:文件尾目录的属性注意:以下将给出一个附加属性XRefStm,它只会出现在超链接文件的trailer中.例:给出一个未被更新过的文件尾(在目录中缺少了Prev键).1t r a i l e r2<</S i z e223/Root20R4/I n f o10R5/ID[<81b14a a f a313d b63d b d6f981e49f94f4>6<81b14a a f a313d b63d b d6f981e49f94f4>7]8>>9s t a r t x r e f101879911%%EOF1.6增量更新PDF文件的内容可实现增量更新,无需重写整个文件,当增量更新PDF文件时,给出的变更只需附加到文件尾即可,无需修改原始内容.注意1:这个方式的优势在于,只对文件进行很小的修改,并能保证大型文档可快速保存,还具备其他一些优点:在某些环境下,例如需在文档中加入HTTP链接或是使用OLE嵌入(这是windows的特殊技术)时,写入器无需重写原始文件,可使用增量更新将这些变更写入到文档中.注意2:以下图片将会给出增量更新的结构,并且还会给出一个更新后的文件示例.在增量更新的交叉引用段中,只会包含已被修改,替换和删除的对象,文件中已被移除的对象不会再变更,并能在交叉引用的属性中标记为删除,另外还将生成一个trailer,并会包含所有的属性,除了需要与前一个trailer关联的Prev属性,而Prev属性能给出前一个交叉引用段的位置,而每个trailer都会有自己的终止标记(%%EOF).注意3:如图所示,文件被更新几次就会包含几个trailer.由于更新将被附加在PDF文件的尾部,具有同一个对象标识符(对象ID和重复使用次数)的对象,在文件中会出现多个副本.例:如果文本注释被多次变更,将会出现一个对象的多个副本,而文件将会保存多次变更,因为该文本注释对象并未被删除,它将会保留相同的对象ID和之前的重复使用次数,而该对象的更新副本将会包含在文件中最新的更新段.在更新后的交叉引用段中,会为对象的新副本包含一个字节偏移量,用于覆盖之前交叉引用段中的原有偏移量,当读取器在读取文件时,将会构建一个交叉引用信息,并会从文件中访问每个对象的最新副本.在PDF-1.4和后续版本中,写入器会在文档的分类目录中,使用Version属性,用来覆盖文件头给出的版本号,而写入器也可以更新Extensions目录,用于删除和添加开发者自定义的扩展.注意:在增量更新中,也可以修改Version属性.图1-2已更新的PDF文件结构1.7对象流对象流即指已保存的间接对象的序列,它可替换成文件中最新的保存数据.注意:对象流最早出现在PDF-1.5中,它的目的在于让对象流不同于其他数据流,可在使用流压缩过滤器后,获取紧凑的保存方式.注意:无论流数据是否使用了压缩过滤器进行编码,都可使用”压缩对象”术语.在对象流中无法保存的对象如下:•流数据对象•重复使用次数不为0的对象•文档的加密目录•在对象流的目录中,使用了Length属性进行描述的对象•在线性化文件中,文档分类,线性化目录和页面对象,都不能出现在对象流中.注意:在对象流中,对象的间接引用将使用正常风格,例如140R,这些对象需使用一种不同的交叉引用信息的保存方式,与PDF-1.5兼容的读取器可支持压缩对象,而在PDF-1.4中,压缩对象将被忽略.下表将给出对象流的流目录中,可包含的合法键名:键名类型数值说明Type name(必选),即指PDF对象的类型,对于对象流来说,即为ObjStm.N整型(必选),在流中保存的间接对象的个数.First整型(必选),解码流中第一个可压缩对象的字节偏移量.Extends stream(可选),将包含另一个对象流的引用,对于当前对象流来说,可视为一个扩展,而这些流又可视为对象流的一个集合,而一个特定集合中包含的流,还可使用Extends直接引用.表1.4:对象流目录中的附加属性写入器会确认那些对象可保存在对象流中.例:可保存的对象都有一些公共的特性,比如“fonts on page1,”或“Comments for draft#3.”,这些对象可视为一个集合.注意:为了避免性能上的损失,比如载入和解压一个大型对象流仅仅是为了访问单个压缩对象,因此在独立的对象流中必须限制对象的数量,这就需要将一组对象流合并成一个集合,也就是对象流目录中Extends属性存在的意义.注意:在集合加入新对象的更新中,可使用Extends,这无需修改原有的对象流,或是创建其流数据的副本,而新对象将会保存在另一个独立的对象流中,这是文档中加入更新段的重要特性.对象流中的流数据所包含的内容:•N个键值对(整型)会使用空格分隔,每个键值对的第一个整型将描述压缩对象的id,第二个整型将描述该对象在解码流中的字节偏移量,这与对象流中保存的第一个对象有关,也就是First属性的数值,偏移量将使用升序模式.注意:对象流中的对象并无次序限制,因此对象无需按照id的大小进行保存.•First属性将给出解码流中第一个对象的字节偏移量.•可连续保存N个对象,而在流中只会包含对象的数值,obj和endobj关键字将不会使用.注意:压缩目录或数组可包含间接引用.对象流中的对象不能只包含一个对象引用.例:30R在一个加密文件中(整个对象流都被加密),对象流中出现的所有字串都不能单独加密.写入器可使用最后的字节偏移量保存第一个对象,而读取器可基于First属性,定义第一个对象的位置.对象流也和其他流数据一样,也是一个间接对象,因此能作为一个属性,放入到一个交叉引用表或是交叉引用流中,虽然在这个示例中没有建立任何引用.对象流和其包含的压缩对象的重复使用次数都为0,当对象流或其压缩对象被删除后,所用的对象id也将被释放,而释放id只能被一般对象(非压缩对象或对象流)所使用,当新的对象流和压缩对象被创建后,将分配一个新id,不会使用释放对象列表中曾经使用过的id.例:以下将给出三个对象(两个字体对象和一个字体描述符),它可被PDF-1.4或更早的版本所支持,并会包含在一个交叉引用表中.1110o b j2<</Type/Font3/Subtype/TrueType4...其他属性...5/F o n t D e s c r i p t o r120R6>>7endobj89120o b j10<</Type/F o n t D e s c r i p t o r11/Ascent89112...其他属性...13/F o n t F i l e2220R14>>15endobj1617130o b j18<</Type/Font19/Subtype/Type020...其他属性...21/ToUnicode100R22>>23endobj2425...2627x r e f2803229000000000065535f30...1-10号对象的交叉引用属性...31000000143400000n32000000173500000n33000000215500000n34...14号和以上对象的交叉引用属性...35t r a i l e r36<</S i z e3237/Root...38>>注意:此处为了可读性,对象流没有加密,在实际的PDF-1.5文件中,通常会使用压缩编码,以获得更小的尺寸.例:给出与前例相同的对象,且放入了一个对象流中,而对象流支持PDF-1.5版本,并会包含在一个交叉引用流中.交叉引用流中包含了fonts属性(对象11和13)和descriptor属性(对象12),它们都是对象流中的压缩对象,这些属性的第一个域给出了属性的类型(2),第二个域将给出了对象流的id(15),第三个域则给出了其在对象流的对象序列中的位置(0,1,2),交叉引用流中为1的属性类型将用于表示对象流.1150o b j%对象流2<</Type/ObjStm3/Length18564/N3%流中的对象个数5/F i r s t24%解码流中第一个对象的字节偏移量6>>7stream81101254713665%对象i d和偏移量将与流的第一行信息有关,(即1101254713665).9<</Type/Font10/Subtype/TrueType11...o t h e r k e y s...12/F o n t D e s c r i p t o r120R13>>1415<</Type/F o n t D e s c r i p t o r16/Ascent89117...o t h e r k e y s...18/F o n t F i l e2220R19>>2021<</Type/Font22/Subtype/Type023...o t h e r k e y s...24/ToUnicode100R25>>26...27endstream28endobj2930990o b j%交叉引用流31<</Type/XRef32/Index[032]%该段是一个子段,并包含了32个对象.33/W[122]%每个属性会包含3个域,长度分别是1,2,2个字节.34/F i l t e r/ASCIIHexDecode%本例的可读性设置35/S i z e3236...37>>38stream3940000000FFFF41...1-10号对象的交叉引用属性...4202000F00004302000F00014402000F000245...14号对象的交叉引用属性...4601BA5E000047...48endstream49endobj5051s t a r t x r e f525432153%%EOF注意:54321即为对象990的偏移量.1.8交叉引用流1.8.1介绍从PDF-1.5版本开始,交叉引用信号将保存在交叉引用流中,而不是交叉引用表,而交叉引用流可提供以下优势:•交叉引用信息的描述能更加紧凑.•可访问保存在对象流中的压缩对象,并允许加入新的交叉引用属性.交叉引用流是一个流对象,可包含一个目录和一个数据流,每个交叉引用流可包含与交叉引用表等价的信息,以及交叉引用段的trailer.例:在流目录中保存了trailer目录,而保存的交叉引用表属性将视为流数据.1...对象...2120o b j%交叉引用流3<</Type/XRef%交叉引用流的目录4/S i z e...5/Root...6>>7stream8...包含交叉引用信息的流数据...9endstream10endobj1112...更多对象...1314s t a r t x r e f15b y t e _o f f s e t _o f _c r o s s -r e f e r e n c e _s t r e a m (指向对象12)16%%EOF关键字startxref 后跟的数值,将是交叉引用流的偏移量,而不是xref 关键字的偏移量,对于完全使用交叉引用的文件(且文件不是一个混合引用文件),xref 和trailer 将不再使用,因此除了”startxref address %%EOF”段和注解之外,一个文件可视为一个对象序列.在线性化文件中,文档分类,线性化目录和页面对象不会出现在一个对象流中.1.8.2交叉引用流的目录交叉引用流除了所有流数据都可使用的属性(表1.5),以及trailer 目录的属性(表1.3)之外,还可使用表1.6包含的属性,因为交叉引用流的有些信息需要读取器建立一个索引,实现间接引用的解析,而交叉引用流中使用的属性会有以下限制:键名类型数值说明Length 整型(必选),关键字stream 和endstream 之间的字节数(在endstream 之前,可有其他的EOL 标记,但不会包含在计数中,并且也不会是流数据的逻辑部分).Filtername 或数组(可选),在stream 和endstream 之间(或是包含了0个,1个或多个名称的数组中),可找到过滤器的名称,它可用于对流数据的处理,若指定了多个过滤器,那它们一定是有序的.DecodeParms 目录或数组(可选),它是一个参数目录或是类似目录的一个数组,可被Filter 用于配置过滤器,如果只有一个过滤器且过滤器包含参数,DecodeParms 将作为过滤器的参数目录,除非所有的过滤器都是自己的默认值,这时DecodeParms 属性将被忽略,如果存在多个过滤器且有些过滤器并无默认参数,这时DecodeParms 将被视为一个数组,为每个过滤器提供对应的属性,既可以作为过滤器的参数目录,也可作为无参数过滤器(或是所有参数都有默认值)的空对象,当过滤器无参数,或是所有参数都有默认值时,DecodeParms 将被忽略.F 文件数据(可选,支持PDF-1.2),即文件中包含的流数据,如果出现该属性,stream 和endstream 之间的字节将被忽略,Lenght 属性可指定该数据流的字节数(如无数据,Lenght 将为0),这些数据所使用的过滤器将由FFilter 指定,过滤器的参数将由FDecodeParms 指定.FFilter name 或数组(可选,支持PDF-1.2),用于指定过滤器的名称,该过滤器将用于处理流数据之外的文件数据,或是包含0个,1个或多个名称的数组,并会使用与Filter 相同的规则.FDecodeParms目录或数组(可选,支持PDF-1.2),是一个参数目录或是类似目录的一个数组,可用于FFilter 指定的过滤器,并会使用与DecodeParms 相同的规则.DL整型(可选,支持PDF-1.5),是一个非负整型,用于描述解码流的字节数,它可用于确认磁盘空间是否满足写入一个数据流到文件中.该值可视为一个检测值,对于一些流过滤器来说,无法准确获得该数值.表1.5:所有流数据目录可用的公共属性键名类型数值说明Type name (必选),即目录中PDF 对象的类型,对于交叉引用流来说,就是XRef.Size 整型(必选),如果该数值大于在段中出现的所有对象id,则表明该段已经更新过了,它与trailer 目录的Size 属性是等价的.Index 数组(可选),将使用数组中包含的整型键值对,来描述该段中所有的子段,第一个整型表示子段的对象id,第二个整型表示子段的属性个数.数组将升序排列其中的对象id,子段不能进行覆盖,该段中每个对象id 必须至少包含一个属性.默认值为[0Size]Prev整型如果文件中包含多个交叉引用流,将出现Prev 属性,且文件不是混合引用文件,该属性将包含解码流中文件起始处到前一个交叉引用流起始处的字节偏移量,并等同于trailer 目录的Prev 属性.W 数组(必选),该整型数组可描述单个交叉引用属性中位域尺寸,表1.7给出了属性的类型和位域,在PDF-1.5中,W 会包含三个整型,每个整型都将给出对应位域的字节数(在解码流中).例:[121]意味着对应的位域为1个字节,2个字节和1个字节.如果W 数组中包含了为0的元素,则表明对应位域不会出现在流中,将会使用默认值1,如果第一个元素为0,类型域将不会出现,并会使用默认值(类型1).对所有元素值求和可得属性的总字节数(如上例1+2+1=4byte),这时可使用Index 数组确认每个子段的起始位置.PDF 文件中的不同交叉引用流将使用不同的W 值.表1.6:交叉引用流目录的附加属性•表1.6中给出所有属性都是直接对象,且不允许使用间接对象,对于数组(Index和W属性)来说,其中的元素也必须是直接对象,如果数据流被编码,表1.5中的Filter和DecodeParms属性也需要是直接对象.•未在表1.6中给出其他交叉引用流的属性,可以是间接对象,事实上有些属性就是间接对象,例如表1.3的Root.•交叉引用流不会被加密,在交叉引用流目录中出现的字串也不能加密,因为并无一个Filter属性来指定Crypt过滤器.类型位域描述01即属性的类型0,它可定义释放对象的链表(对应交叉引用表的f属性).2下一个释放对象的对象id.3如果对象id重复使用,将给出重复使用的次数.11即属性的类型1,它可定义未压缩的使用对象(对应交叉引用表的n属性).2从文件起始处开始的对象偏移量.3对象的重复使用次数,默认值为0.21即属性的类型2,它可定义压缩对象.2包含对象的对象流的id(对象流的重复使用次数必须为0).3对象流中对象的索引.表1.7:交叉引用流的属性类型位域描述01用于指定直接对象(0x1)和间接对象(0x2).2311如果是直接对象,将给出它的偏移量,如果是间接对象,将会给出间接对象的id2321如果是直接对象,可给出重复使用的次数,如果是间接对象,将给出简介对象中需引用的对象id.23表1.8:PDF-1.5交叉引用流的属性1.8.3交叉引用流的数据交叉引用流的每个属性都会包含一个或多个位域,参见表1.7,在PDF-1.5到1.7的版本中,只有类型0,1,2是允许的,其他数值将被视为空对象,这样可在未来的版本中定义新的属性类型.位域的写入将会按照位域的编号升序排列,W属性的数值将给出每个位域的长度,如果位域长度大于一个字节,将首先保存高字节.同其他流数据一样,交叉引用流是一个间接对象,因此一个存在的属性既可以包含在一个交叉引用流中,也可以包含在一个交叉引用表中(在一个混合引用文件中).。

PDF(Portable Document Format,便携式文档结构)就是一种很有用得文件格式,其最大得特点就是平台无关而且功能强大(支持文字/图象/表单/链接/音乐/视频等)、做PDF得解析，首先要熟悉PDF文件得物理结构与逻辑结构。

PDF文件物理结构可分为以下几块:1、文件头文件头就是PDF文件得第一行,格式如下:%PDF-1、4这就是个固定格式，表示这个PDF文件遵循得PDF规范版本，目前PDF得生成工具，除了官方得acrobat，其她生成得以1、4版本得居多。

对于做PDF开发来说，一个最简单得原则就就是生成PDF得时候尽量符合低版本规范，以保证大多数解析器能支持；解析PDF得时候尽量支持高版本得规范，以保证支持大多数工具生成得PDF文件。

从1、4版本以后，PDF文件得版本并不唯一得只就是在这里表示了，可能后面会改写（catalog得Version词条），所以解析PDF得时候，如果这里得版本大于等于1、4，应该再比较一下catalog里面得version，取其中高一点得版本。

2、对象集合这就是一个PDF文件最重要得部分，文件中用到得所有对象,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一个对象得定义包含4个部分：前面得2就是对象序号，其用来唯一标记一个对象；0就是生成号，按照PDF规范，如果一个PDF文件被修改，那这个数字就是累加得，它与对象序号一起标记就是原始对象还就是修改后得对象，但就是实际开发中，很少有用这种方式修改PDF得，都就是重新编排对象号；obj与endobj就是对象得定义范围，可以抽象得理解为这就就是一个左括号与右括号；省略号部分就是PDF规定得任意合法对象(一共8种，见后面附A)。

可以通过R关键字来引用任何一个对象，比如要引用上面得对象，可以使用2 0 R，需要主意得就是，R关键字不仅可以引用一个已经定义得对象，还可以引用一个并不存在得对象，而且效果就与引用了一个空对象一样。

PDF（Portable Document Format）文件是一种电子文件格式，由Adobe Systems开发。

PDF文件以其跨平台、可预览、不变形、不失真的特点被广泛使用。

PDF文件以文本/二进制混合内容的方式组织，其中包含了各种数据类型，如整数、浮点数、字符串、数组和字典等。

这些数据被封装在对象（object）中，对象之间可以相互引用。

PDF文件的结构单元是数据块，这些数据块可以描述页面的内容，也可以包含字体、图片、书签、注释等信息。

为了节省存储空间，PDF会对部分内容进行压缩。

PDF文件的显示效果一致性非常高，无论在何种设备和软件上打开，都不会出现排版问题，如段落错乱或文字乱码。

这是由于PDF的显示单元包括文字、图片、矢量图等，所有这些内容都是通过相应的操作符进行绘制的。

PDF文件不易被修改，一旦保存为PDF格式，很难进行重新排版。

这保证了从资料源发出的资料不容易被篡改。

同时，PDF文档可以进行加密，包括文档打开密码、文档权限密码和文档证书密码等，加密的方法包括RC4、AES等。

此外，PDF文件中的矢量图在文件浏览时，无论放大多少倍，都不会导致文字或图案的失真。

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）。