PDF 基础数据

PDF（Portable Document Format）是一种广泛使用的文档格式，由 Adobe 公司开发。了解 PDF 的基础数据结构对于深入理解 PDF 文件格式和进行 PDF 处理非常重要。本文将详细介绍 PDF 文件中的基本数据结构。

目录

• 1. PDF 文件的基本结构
  • 1.1 文件头（Header）
  • 1.2 文件体（Body）
  • 1.3 交叉引用表（Cross-reference Table）
  • 1.4 文件尾（Trailer）
  • 1.5 完整示例
• 2. PDF 基本数据类型
  • 2.1 布尔值（Boolean）
  • 2.2 数字（Number）
  • 2.3 字符串（String）
  • 2.4 名称（Name）
  • 2.5 数组（Array）
  • 2.6 字典（Dictionary）
  • 2.7 流（Stream）
• 3. PDF 对象引用
• 4. 常用 PDF 对象类型
  • 4.1 页面对象（Page）
  • 4.2 内容流（Content Stream）
  • 4.3 字体对象（Font）
  • 4.4 图像对象（Image）

1. PDF 文件的基本结构

PDF 文件由以下几个主要部分组成，每个部分都有其特定的功能和格式。

1.1 文件头（Header）

文件头是 PDF 文件的开始部分，包含版本信息和标识符。

%PDF-1.7
%¥±ë

💡 说明：

• 第一行 %PDF-1.7 指定 PDF 版本为 1.7
• 第二行 %¥±ë 是二进制注释，用于标识文件为 PDF 格式

1.2 文件体（Body）

文件体包含文档的所有内容，由一系列对象组成。

1 0 obj
<<
  /Type /Catalog
  /Pages 2 0 R
>>
endobj

2 0 obj
<<
  /Type /Pages
  /Kids [3 0 R]
  /Count 1
>>
endobj

📝 要点：

• 每个对象都有唯一的编号和生成号
• 对象之间通过引用相互关联
• 对象可以是字典、数组、流等类型

1.3 交叉引用表（Cross-reference Table）

交叉引用表记录所有对象的位置，用于快速定位对象。

xref
0 6
0000000000 65535 f
0000000010 00000 n
0000000056 00000 n
0000000112 00000 n
0000000204 00000 n
0000000256 00000 n

🔍 解析：

• 第一行 0 6 表示从对象 0 开始，共 6 个条目
• 每行包含：
  • 对象在文件中的偏移量（10位数字）
  • 生成号（5位数字）
  • 状态标记（n 表示使用中，f 表示空闲）
• 例如 0000000010 00000 n 表示对象 1 在文件偏移量 10 处

1.4 文件尾（Trailer）

文件尾包含文档的根对象引用和文件结束标记。

trailer
<<
  /Size 6
  /Root 1 0 R
>>
startxref
320
%%EOF

📌 关键字段：

• /Size 指定交叉引用表中的条目数
• /Root 指向文档的根对象（通常是目录对象）
• startxref 指定交叉引用表的起始位置
• %%EOF 是文件结束标记

1.5 完整示例

下面是一个完整的 PDF 文件结构示例：

%PDF-1.7
%¥±ë

1 0 obj
<<
  /Type /Catalog
  /Pages 2 0 R
>>
endobj

2 0 obj
<<
  /Type /Pages
  /Kids [3 0 R]
  /Count 1
>>
endobj

3 0 obj
<<
  /Type /Page
  /Parent 2 0 R
  /Resources <<
    /Font <<
      /F1 4 0 R
    >>
  >>
  /Contents 5 0 R
  /MediaBox [0 0 595 842]
>>
endobj

4 0 obj
<<
  /Type /Font
  /Subtype /Type1
  /BaseFont /Helvetica
  /Encoding /WinAnsiEncoding
>>
endobj

5 0 obj
<<
  /Length 100
>>
stream
BT
/F1 12 Tf
100 700 Td
(Hello World) Tj
ET
endstream
endobj

xref
0 6
0000000000 65535 f
0000000010 00000 n
0000000056 00000 n
0000000112 00000 n
0000000204 00000 n
0000000256 00000 n

trailer
<<
  /Size 6
  /Root 1 0 R
>>
startxref
320
%%EOF

🌟 示例说明： 这个示例展示了一个简单的 PDF 文件结构：

1. 文件头声明 PDF 版本
2. 文件体包含 5 个对象：
   • 目录对象（Catalog）
   • 页面树对象（Pages）
   • 页面对象（Page）
   • 字体对象（Font）
   • 内容流对象（Content Stream）
3. 交叉引用表记录所有对象的位置
4. 文件尾包含文档的根对象引用和交叉引用表位置

2. PDF 基本数据类型

PDF 支持多种基本数据类型，每种类型都有其特定的语法和用途。

2.1 布尔值（Boolean）

布尔值表示真或假。

/NeedAppearances true

2.2 数字（Number）

数字可以是整数或实数。

/Width 595.28

2.3 字符串（String）

字符串用括号括起来，支持转义字符。

(Hello World)
(Hello\nWorld)  # 包含换行符

2.4 名称（Name）

名称以 / 开头，用于标识对象。

/Type /Font
/#20#20  # 表示两个空格

2.5 数组（Array）

数组用方括号括起来，可以包含不同类型的元素。

[1 2 3]
[1 (text) /Name]  # 混合类型数组

2.6 字典（Dictionary）

字典用双尖括号括起来，包含键值对。

<<
  /Type /Page
  /Parent 2 0 R
  /Resources <<
    /Font <<
      /F1 3 0 R
    >>
  >>
  /MediaBox [0 0 595 842]
>>

2.7 流（Stream）

流包含二进制数据，通常用于存储图像、字体等。

<<
  /Length 100
  /Filter /FlateDecode
>>
stream
...二进制数据...
endstream

3. PDF 对象引用

PDF 使用对象引用来建立对象之间的关系。

1 0 obj
<<
  /Type /Catalog
  /Pages 2 0 R
>>
endobj

2 0 obj
<<
  /Type /Pages
  /Kids [3 0 R]
  /Count 1
>>
endobj

📝 格式说明：

• 格式：对象编号 生成号 R
• 示例：2 0 R 表示编号为 2，生成号为 0 的对象

4. 常用 PDF 对象类型

4.1 页面对象（Page）

页面对象定义页面的内容和属性。

3 0 obj
<<
  /Type /Page
  /Parent 2 0 R
  /Resources <<
    /Font <<
      /F1 4 0 R
    >>
  >>
  /Contents 5 0 R
  /MediaBox [0 0 595 842]
>>
endobj

4.2 内容流（Content Stream）

内容流包含页面的实际内容。

5 0 obj
<<
  /Length 100
>>
stream
BT
/F1 12 Tf
100 700 Td
(Hello World) Tj
ET
endstream
endobj

4.3 字体对象（Font）

字体对象定义文本使用的字体。

4 0 obj
<<
  /Type /Font
  /Subtype /Type1
  /BaseFont /Helvetica
  /Encoding /WinAnsiEncoding
>>
endobj

4.4 图像对象（Image）

图像对象存储图像数据。

6 0 obj
<<
  /Type /XObject
  /Subtype /Image
  /Width 100
  /Height 100
  /ColorSpace /DeviceRGB
  /BitsPerComponent 8
  /Filter /DCTDecode
>>
stream
...JPEG 图像数据...
endstream
endobj