PDF底层格式之obj对象与语法规则

快乐是一切
80 阅读4分钟

引言

在上一章介绍了 PDF 的基础结构：Header、Body、xref、Trailer，其中 Body（文件体） 是最核心的部分，它存放了 PDF 的全部内容。但和一般的纯文本文件不同，PDF 的 Body 不是“平铺直叙”的数据，而是由一个个 对象（Object） 组成的。 这些对象就像 乐高积木：

  • 每个对象定义了文档的一部分内容（比如一页纸、一个字体、一张图像、一个注释）；
  • 不同对象之间通过 引用 彼此关联；
  • 最终拼装成一棵完整的 结构树（Document Tree） ，让阅读器能够正确显示文档。

要真正理解 PDF，必须先看懂对象：

  • 它们长什么样？（语法规则）
  • 它们分哪几类？（常见对象分类）
  • 它们之间是如何组织的？（对象结构树）

对象语法规则

上文说过，PDF对象的内容是7种基本类型（布尔值、数字、字符串、字典、列表、流等），在实际的PDF文件中，最常见的是内容是字典和流，以一个常见的Page对象为例：

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

这个对象的内容（在obj和endobj中间的部分）是由<< 和 >> 包围的字典对象，内部是键值对：

  • /Type /Page：说明该对象是一个 页面对象。
  • /Parent 2 0 R：父级是对象 2 0 obj（即 Pages 对象）。
  • /MediaBox [0 0 595 842]：页面尺寸（595×842 pt ≈ A4 纸）。
  • /Contents 4 0 R：页面的内容流，包含绘制指令。
  • /Resources 5 0 R：资源字典（字体、图片等）。

PDF的字典对象与常规语言中的字典一致，是一系列的键值对，转换为字典是：

{
    Type: 'Page',
    Parent: '2 0 R',
    MediaBox: [0 0 595 842],
    Contents: '4 0 R',
    Resources: '5 0 R'
}

字典的key一般是以 / 开头的名称（如 /Type），值可以是任意PDF对象类型（名称、字符串、数组、字典、间接引用等）。所以会存在字典嵌套字典、列表嵌套字典的情况。

常见对象类型

对象的/Type字段会标识这个对象的类型，表明他的作用。在实际的PDF文件中，常见的对象类型有：

文档结构对象

  • Catalog（/Type /Catalog） ：文档根对象，入口。
  • Pages（/Type /Pages） ：页面树节点，管理所有页面。
  • Page（/Type /Page） ：单个页面，包含尺寸、内容、资源。

元信息对象

  • Info：文档元信息（标题、作者、创建时间等）。
  • Metadata：基于 XML 的文档元数据（PDF/A、XMP 使用）。

资源对象

  • Font：字体对象，定义字体信息。
  • XObject：外部对象，可以是图像（Image XObject）、表单（Form XObject）。
  • ColorSpace：颜色空间对象。
  • Pattern：图案填充对象。
  • Shading：渐变对象。

内容相关对象

  • Stream：流对象，存放二进制数据（文本指令流、图片数据、压缩数据）。
  • Contents：页面的内容流，描述绘制操作。

导航与交互对象

  • Outline（书签） ：文档目录结构。
  • Annotation（注释） ：文档批注、高亮、评论。
  • Action：触发操作（跳转页面、打开链接）。

PDF文档结构

综合上述内容，我们可以知道，PDF文件中的对象有不同的类型，并且PDF中对象是互相引用的。分析一篇实际的PDF文件，可以发现，PDF 文档通过 对象引用关系 构建成一棵结构树，构造流程如下：

  • 首先找到Catalog对象，这是页面的入口
123 0 obj
<< 
    /Type /Catalog 
    /Outlines 124 0 R 
    /Pages 2 0 R 
    /PageLayout /OneColumn
>>
endobj

可以看到，里面标识了Pages对象为2 0 R。

  • 找到Pages对象，这里标记了所有页面
2 0 obj
<< 
/Type /Pages 
/Kids [ 3 0 R 8 0 R 13 0 R 18 0 R 23 0 R 28 0 R 33 0 R 38 0 R 
43 0 R 48 0 R 53 0 R 58 0 R 63 0 R 68 0 R 73 0 R 78 0 R 
83 0 R 88 0 R 93 0 R 98 0 R 103 0 R 108 0 R 113 0 R 118 0 R 
] 
/Count 24 
>> 
endobj

可以看到，Pages对象中标识了这个PDF共有（/Count 24）24页,Kids中指向每一页分别是3 0 R、8 0 R...

  • 找到第一页3 0 obj对象，这是第一页的入口
3 0 obj
<<
/Type /Page 
/Parent 2 0 R 
/MediaBox [0.0000 0.0000 595.0000 842.0000] 
/Contents 4 0 R 
/Resources << 
    /XObject << /Im1 6 0 R >>
    /ProcSet [ /ImageB ]
    >>
>>
endobj

这一页的对象中指定了内容（Contents）在4 0 R，页面宽高MediaBox和引用资源Resources等。

  • 在后续的4 0 obj中又会引用字体对象、字符串对象、流对象等等。如此不断引用，构成了整个PDF树。

总结

理解了对象和结构树，PDF 就不再是“黑盒文件”，而是一个由积木搭建的有序系统。下一篇，将继续深入 交叉引用表和 Trailer，看看阅读器是如何快速找到这些对象的。

avatar
文章
阅读
粉丝