PDF源文件浅析

 

应该项目需要，初步研究了一下 PDF 的格式，打算和大家分享一下，如果有想做 PDF 或 PDF 阅读器开发的同学们，可以看看。

 

 

PDF 格式规范，语法简洁。但初次查看 PDF 却容易给人错觉 ——PDF 的二进制流太多了，原本清晰的数据格式被杂乱无章的二进制流给淹没了。

 

例如：

 

stream
5di?倯? 貓?匚{o绝幾Te:馎HG
嵶?W}?妮雥??隱q?屸鷭鴊狳!赭€?鼜 ??烖K柽z煜?w? ??鴚¬D¬h?斜?醱釓?x?i佲匃???灗  Iu叁剪?
…………………………

 

<!----><!---->

<!---->

像这样一大堆乱码的东西很多，所以，心理上无法耐心的继续看下去。

 

 

实际上 PDF 就是由四部分组成：

 

 

 

 

<!----><!----> <!---->

数据流的读写操作一般是从文件末尾开始的：

 

 

 

 

<!----><!----><!----> <!---->

PDF 所有的数据类型都是 obj ，强调的也是一切皆对象。我简要的把 PDF 常见的几种数据类型给大家说说：

 

注意“ % ”表示注释

<!---->1.       <!---->Boolean Objects ：只有 true 和 false

<!---->2.       <!---->Numeric Objects ：

<!---->l         <!---->整型： 123

<!---->l         <!---->浮点型 -43.54 ， 6.02E23

3.  String Objects ：

<!---->l         <!---->文字型，用圆括号括起来，如： (Hello World)

<!---->l         <!---->十六进制型，用尖括号括起来，如： <901FA3> 分别为 90 ， 1F ， A3

4.  Name Objects ：除 null 以外的任意 8 位字符组成的字符串，出现在 PDF 中，用“ / ”作前导符号，如： /Name1 。其实这与编程中的常量很类似。

5.  Array Objects ： PDF 中的数组用方括号“ [] ”括起来，里面的数据可以完全不相同，如： [549 3.14 false (Ralph) /SomeName] 该数组里面分别装有 5 种不同的类型。

 

<!---->6.        <!---->Dictionary Objects ：其实就类似于 Java 的 Map 对象——即以 key ， value 的形式成对出现。用的时候要用“ <<…>> ”把 key ， value 括起来。例如： <</Name (leo) >> 表示 key 为“ name ”的 Name Objects ，而 value 为“ leo ”字符串。 <<>> 内部也可以嵌套使用，在 PDF 源文件中应用的非常广泛。

<!---->7.        <!---->Stream Objects ：顾名思义，肯定有流有关。这就是 PDF 中专门用于存放二进行流的对象。 PDF 的实现者对 String Objects 通常会做限制，但是 Stream Objects 却没有这样的限制。因此 stream object 用在图片，页面描述信息上是非常的适合的。 <!---->

看看使用示例：

 

 

7 0 obj 		 			%某一个Image类型的对象
<<
/Type /XObject
/Subtype /Image
/Name /Im7
/Width 189
/Height 189
/BitsPerComponent 8
/ColorSpace [/Indexed /DeviceRGB 255 …>]
/Mask [255 255]
/Length 3832
/Filter /FlateDecode
>>						%紧接着这个对象定义后的Dictionary Objects对象后面
stream 					%定义它的Stream Objects
%这里放二进制流
endstream

 

 

<!----><!----> <!---->

 

<!---->8.        <!---->Null Object ：区别与其它任何对象，用关键字 null 标注的对象就是 null object 。

<!---->9.        <!---->Indirect Objects ：当然就是类似 Java 中的“引用”概念啦，举个例子就说明一切了。

 

 

7 0 obj  				%有一个索引号为7 0的对象
<< /Length 8 0 R >>  	% 在它的Length属性引用了一个索引号为8 0的对象
　　　　　　　　　　　　　%在这里“8 0 R”表示对8 0的对象引用(Reference)
stream
………….
endstream
endobj


8 0 obj				%被上面7 0对象所引用的那个索引号为8 0的对象
77 					%7 0对象的二进制流的长度
endobj

 

 

注意：   <!---->obj …… endobj PDF 文档组成的最小 组成部分。表示一个完整对象的定义

 

 

 

 

<!----><!----> <!---->

够了，说了这么多，让我们实战吧。现在我们来看一个完整的示例，该示例可以在附件中下载。看的时候，可以按照下面的步骤一步一步来分析 PDF 源文件：

 

 

 

%PDF-1.3
%
2 0 obj                                 %2 0 obj，里面是一些PDF的基本信息。比如
<<				
/CreationDate (D:20081029093606+08'00')　　%创建时间
/ModDate (D:20081029093606+08'00')		　 %最后修改时间		
/Producer (leo 4.30 \(0615\))　　　　　　　　%创建人
/Creator (easyPDF SDK 4.3)　　　　　　　　%制作人
>>　　　　　　　　　　　　　　　　　　 %你还可以自由的编写任何信息
endobj

1 0 obj
<<
/Count 0
>>
endobj

3 0 obj									%这是PDF的根结点(不是起始位置)
<<
/Type /Catalog
/Pages 4 0 R								%这是所有页面的集合，我们主要关心这个
/Outlines 1 0 R
>>
endobj

7 0 obj
<<
/Type /XObject
/Subtype /Image
/Name /Im7
/Width 189
/Height 189
/BitsPerComponent 8
/ColorSpace [/Indexed /DeviceRGB 255 <%这里放每个像素点的值>]
/Mask [255 255]
/Length 3832
/Filter /FlateDecode
>>
stream
%这里放的全是图片的二进制流……..
endstream
endobj

8 0 obj
<<
/Length 51
/Filter /FlateDecode
>>
stream
%这里放的全是图片的二进制流……..
endstream
endobj

6 0 obj									%重点分析一下这个
<<
/Type /Page
/Parent 4 0 R
/MediaBox [ 0 0 595.276 841.89 ]
/Resources <<
/XObject <<
/Im7 7 0 R
>>
/ProcSet [/PDF /Text /ImageB /ImageC] >>
/Contents 8 0 R
>>
endobj

4 0 obj
<<
/Type /Pages
/Kids [
6 0 R							%继续查找6 0 obj来看看具体的页面情况
]
/Count 1
>>
endobj

xref						%索引，f表示该地址未被使用，n表示已经被占用。
0 9								%索引的顺序与对象在文中出现的序号是一致的，比如
0000000000 65535 f               %默认占位符，不使用。
0000000177 00000 n 　　　　　　　%表示0 1 obj的偏移地址
0000000015 00000 n 　　　　　　　%表示0 2 obj的偏移地地 下面的以些类推
0000000208 00000 n 
0000006159 00000 n 
0000000000 00000 n 　　　　　　　%表示0 5 obj的偏移为0，可能被删除操作给干掉了。
0000005981 00000 n 
0000000274 00000 n 
0000005858 00000 n 
trailer
<<
/Size 9
/Root 3 0 R						%这个属性信息最重要，我们可以直接找到根结点
/Info 2 0 R
/ID[<112cbcc8320742d1cbe148d4ec0d7dba><112cbcc8320742d1cbe148d4ec0d7dba>]
>>
startxref							%PDF文件解析的起点
6219
%%EOF

 

 

<!----><!---->

<!---->

 

第一步： 首先是先看文件末尾，找到它的“ xref ”和“ trailer ”部分。 Xref 表示对象索引，其实就是对象在文件中的偏移地址（ PDF 源文件中是以 10 进制表示的，你转换成 16 进制后，用 UE 或者其它工具查看即可） 。

 

Trailer 虽然从字面上看是“尾部”的意思，但是解析却从它开始。“ startxref ”表示文件的入口地址，像 java 的 main() 方法。后面紧跟着一个 10 进制的数字，指向的是索引“ xref ”的位置。

 

Trailer 里面的值分别表示：

 

<!---->1.       <!---->Size 9 ：表示 9 个索引值

<!---->2.       <!---->Root 3 0 R ：根结点是 3 0 obj 的引用

<!---->3.       <!---->Info 2 0 R ：相关信息是 2 0 obj 的引用

<!---->4.       <!---->ID ：类似于 Java 的 Serializable 机制，给本 PDF 文件生成一个独一无二的标识

 

 

第二步： 按照 Root 3 0 R ，我们向上查找，找到了我们要找的 Root 对象，里面的信息从字面上很容易理解：

 

<!---->1.       <!---->/Type /Catalog ：表示该对象的类型是目录

<!---->2.       <!---->/Pages 4 0 R ：表示所有的 PDF 页面在一个叫 4 0 R 的对象上

<!---->3.       <!---->/Outlines 1 0 R ： PDF 文件的大纲，也就是左侧展示的东西。

 

继续查找 4 0 obj ，果然与预期所想的一样，的确是所有页面的集合，并且还有一个附加属性 Count 统计页面对象的个数：

 

/Type /Pages ：表示该对象的类型是所有页面的集合

/Kids […] ：这是一个数组，里面装的是每个页面的具体引用。因为这个 PDF 就一页，所有只有一个“ 6 0 R ”。下一步，就从这里入手。

/Count 1 ：页的总数大小，因为这个 PDF 就一页，所以值为 1 。编程时可能会用到。

 

 

第三步： 来重点分析一下页对象

 

 

6 0 obj              	%索引编号为6的对象，0表示该对象的修改次数
<<                 	% << 表示是这一个map，里面的所有数据都以key，value形式出现
/Type /Page  			%其类型为Page，表示PDF的每一页
/Parent 4 0 R			%其父结点为4 0对象（R表示引用，对象之间是可以双向引用的）
/MediaBox [ 0 0 595.276 841.89 ]	%当前页画布为MediaBox样式，后面的表示左上角与右下角坐标，这样就形成了一个矩形。
/Resources <<			% Resources 又为一个map的嵌套
/XObject <<			% XObject 也是一个map的嵌套
/Im7 7 0 R		% 在Xobject中定义了一个叫Im7的名称，引用了叫Im7的7 0对象（在我的PDF中，这是一个图片对象）
>>					
/ProcSet [/PDF /Text /ImageB /ImageC] >> % 打印时的参数设置
/Contents 8 0 R        % 这里是实际页面上的内容信息，引用的是8 0对象
>>
endobj				% 对象定义结束

 

 

 

<!----><!---->

<!---->

对于我们来说，以下是项目开发的重点。因为要实现 PDF 文件盖章的添加或删除功能，必须进行流操作，并且图片在 PDF 文件的位置也要写入。

 

<!---->l         <!---->/XObject<<>> ： 里面持有图片等二进制的引用。通过上述的方法，当你再查看 7 0 obj 时，就会看到大量的二进制文件了。

<!---->l         <!---->/Contents ： 是文件的内容信息。比如说，页面上的文本，图片的坐标位置等。

 

 

 

通过这个完整的流程，你应该明白 PDF 的格式其实就是一个层次分明的树形结构。不过，想完全了解 PDF 的格式，进行相关的操作。你还得参看 PDF 规范文档。

 

 

评论

18 楼 hdlbypf 2012-03-04  

lz你好能否留个联系方式，我有pdf解析的几个问题请教你，我邮箱[e-mail] qq421610654

17 楼 zhangbug 2009-03-27  

有研究word格式的吗

16 楼 zqwwjj 2008-12-13  

  

15 楼 elf8848 2008-12-05  

引用

14 楼 john2007 2008-12-04  

以前研究过一段时间。
有开源的java库，可以把pdf源文件的所有object解析为java object，很爽的。

13 楼 hanjs 2008-12-04  

lz写的这些都是java代码？？

12 楼 sheandwei 2008-12-03  

不错
还真没去研究过

11 楼 harsh 2008-12-02  

哇塞，太好了，偶也在研究pdf呢

10 楼 cyfgod 2008-12-02  

分析的不错，不过对一般应用来说，不用研究这么底层，用itext就足够了。

9 楼 kakaluyi 2008-12-01  

eyejava 写道

kakaluyi 写道
kyo100900 ,关注你挺久的了，感觉你是那种一步一个脚印做事的人，身为高手但是为人谦虚 加油，日后必成大器啊ps:我对你封面上的美女挺感兴趣的 请使用留言簿发表你的敬仰好像以前有个敬仰表情的，咋没了，Quake同学确认下

这是私人博客啊，敬仰一个人也有错了  ,这个我就不服了，就当是两个个朋友聊聊嘛，

8 楼 eyejava 2008-12-01  

kakaluyi 写道

kyo100900 ,关注你挺久的了，感觉你是那种一步一个脚印做事的人，
身为高手但是为人谦虚 加油，日后必成大器啊
ps:我对你封面上的美女挺感兴趣的

请使用留言簿发表你的敬仰
好像以前有个敬仰表情的，咋没了，Quake同学确认下

7 楼 kakaluyi 2008-12-01  

kyo100900 ,关注你挺久的了，感觉你是那种一步一个脚印做事的人，
身为高手但是为人谦虚 加油，日后必成大器啊
ps:我对你封面上的美女挺感兴趣的

6 楼 kyo100900 2008-12-01  

Quake Wang 写道

kyo100900 写道
我们实际上想做的是一个类似于Adobe Reader的PDF阅读器。用户只能通过我们的阅读器才能实现盖章的添加，删除，虚化等功能。当别的PDF阅读器打开时，只能是只读的。我之前遇到类似的需求（公文电子签名），如果你采用开放规范的PDF来实现，是很难达到高安全性的要求，正是由于PDF格式是公开的，导致破解签名比较容易，我们是对PDF格式作了改动和加密，不过这样的文件就不能在其他阅读器打开了。

嗯，方法和你类似 ，　并且要想使用我们的PDF阅读器，还得用USE KEY。

5 楼 QuakeWang 2008-12-01  

kyo100900 写道

我们实际上想做的是一个类似于Adobe Reader的PDF阅读器。用户只能通过我们的阅读器才能实现盖章的添加，删除，虚化等功能。当别的PDF阅读器打开时，只能是只读的。

我之前遇到类似的需求（公文电子签名），如果你采用开放规范的PDF来实现，是很难达到高安全性的要求，正是由于PDF格式是公开的，导致破解签名比较容易，我们是对PDF格式作了改动和加密，不过这样的文件就不能在其他阅读器打开了。

4 楼 chamborghini 2008-12-01  

用iText做pdf的加密， 好像不管怎么做都很容易被破解， 解决中。

g到这里，问下，有没有办法将pdf文件设置为不能被修改的？(很难被破解的那种， 目前的做法是将pdf文件设置为仅能被打印的，并建权限密码设置为随机数，但是这种做法很容易就被PDF Password Remover给破解了)

3 楼 kyo100900 2008-12-01  

iText主要还是一个应用类库。远远无法满足我们的需求。
我们实际上想做的是一个类似于Adobe Reader的PDF阅读器。用户只能通过我们的阅读器才能实现盖章的添加，删除，虚化等功能。当别的PDF阅读器打开时，只能是只读的。

2 楼 [e-mail] 2008-12-01  

看了一头雾水  好乱 果然是高手中的高手  个人感觉itext较好用

1 楼 QuakeWang 2008-12-01  

PDF规范很麻烦，如果要通过2进制实现PDF文件盖章/添加/删除的功能要作不少工作，你可以试试看itext，它应该可以简化一些工作。