PDF 解析

主页资讯文章代码电子书

第2章 - 构建一个简单的PDF

在本章中，我们将在文本编辑器中手动构建PDF内容。然后我们将使用免费的pdftk程序将其转换为有效的PDF文件，并在PDF查看器中查看输出。

此示例以及本书中的所有PDF文件都可以从中这本书的网页下载。

我们将同时考虑很多新概念，所以不要担心，如果看起来压倒一切 - 我们将在以后的章节中回到这一切。

补充pdftk介绍信息

基本PDF语法

PDF文件至少包含三种不同的语言:

document content文档内容，是在它们之间具有链接的多个对象，形成有向图。这些对象描述了文档的结构（页面，元数据，字体和资源）。
page content页面内容，描述了使用一系列操作符将文本和图形放在一个页面上。
file structure文件结构，包括header(文件头)，trailer(文件尾)和交叉引用表，帮助程序找到并读取文件的内容。

Document Content

文档内容包括由以下元素构建的对象：

名称，写为 /Name
整数，如 50
带圆括号的字符串，如 (The Quick Brown Fox)
引用其他对象，如 2 0 R，对对象2的引用。
对象的数组（有序集合），如 [50 30 /Fred]，是一个包含三个项目的数组，按顺序：50, 30 和 /Fred。
字典（从名称到对象的无序映射），如 <</Three 3 /Five 5>>，映射 /Three 到 3 和 /Five 到 5。
stream(流)，它由字典和一些二进制数据组成。这些用于存储PDF图形运算符的流，以及其他二进制数据，如图像和字体。

例如，这是一个页面对象，它是一个包含许多项目的字典，每个与名称相关联：

<< /Type /Page
   /MediaBox [0 0 612 792]
   /Resources 3 0 R
   /Parent 1 0 R
   /Contents [4 0 R]
>>

这个词典包含五个条目：

/Type /Page 名称 /Page 与字典键 /Type 相关联。

/MediaBox [0 0 612 792] 四个整数 [0 0 612 792] 的数组与字典键 /MediaBox 相关联。

/Resources 3 0 R 对象编号3与字典键 /Resources 相关联。

/Parent 1 0 R 对象编号1与字典键 /Parent 对象相关联。

/Contents [4 0 R] 间接引用 [4 0 R] 的单元素数组与字典键 /Contents 相关联。

Page Content

页面内容是运算符列表，每个运算符前面都有零个或多个操作数。这是一系列操作符，用于在36号字体选择/F0字体并放置当前位置的文字:

/F0 36.0 Tf
(Hello, World!) Tj

这里，Tf 和 Tj 是运算符，而 /F0, 36.0 和 (Hello, World!) 是操作数。你可以看到一些语法元素（例如，名称和字符串）是共享的跨页面内容和文档内容使用的语言。

文件结构

文件结构包括：

用于将文件区分为PDF文档的header(文件头)。
一个交叉引用表，列出了文档中每个对象的字节偏移量 - 这个允许任意访问对象，而不是必须按顺序读取。
trailer(文件尾)，包括交叉引用表的字节偏移，后跟文件结束标记。

在编写我们的示例文件时，我们将对许多文件结构使用不完整的值，依靠pdftk来填写细节。例如，我们手动编写交叉引用表是不切实际的。

Document 结构

我们将要构建的示例只是最简单有意义的PDF文件。然而，它需要大量的元素。除了我们的文件结构如上所述，最小的PDF文档必须包含许多基本部分：

trailer字典，提供有关如何阅读其余内容的信息文件中的对象
文档目录，它是对象图的根。
页面树，它枚举文档中的页面。
至少有一页。每个页面必须具有：
- - resources(资源)，包括例如字体。
- - 其页面内容，其中包含绘制文本和图形的说明在页面上。

这种安排如图2-1所示。

构建元素

我们将PDF数据输入到文本文件中。文本编辑器选择的行结尾并不重要（\<LF>[在 Unix 和 Mac OS X 中]和 \<CR>\<LF>[在 Windows 中]都很好）。我们将跳过一些信息（手动难以解决的数据），依靠pdftk来填充它。我们会：

使用简短的header。
跳过了页面内容流的长度，因此我们不必手动计数字节数。
省略几乎所有的交叉引用表
使用0表示交叉引用表的字节偏移量，以避免必须计数它手动。

首先，我们将查看文件的各个部分（按照它们出现的顺序）然后查看我们将它们放在一起并运行pdftk来制作有效的PDF文件。

文件头

文件头通常由两行组成。第一行将文件标识为PDF和给出它的版本号：

%PDF-1.0    % PDF 版本号为 1.0 的文件头

第二行很难输入文本编辑器，因为它包含不可打印的字符。我们将有pdftk为我们这样做。

主要对象

到文件的主体-对象。第一个是Page列表，它是链接到文档中页面对象的字典。

1 0 obj % 对象1
<< /Type /Pages     % 这是一个页面列表
   /Count 1         % 只有一页
   /Kids [2 0 R]    % 页面对象编号列表。这里只是对象2
>>
endobj  % 对象1结束

接下来是页面。再次，它是一个字典。它包含纸张大小，间接引用返回页面列表，以及图形内容和资源。

2 0 obj
<< /Type /Page              % 这是一个页面
   /MediaBox [0 0 612 792]  % 纸张尺寸为美国信肖像（612点x792点）
   /Resources 3 0 R         % 对象3的资源引用
   /Parent 1 0 R            % 引用备份到父页面列表
   /Contents [4 0 R]        % 图形内容在对象4中
>>
endobj

现在，资源(resource)。在这里，只有一个条目，字体字典，在我们的示例包含单个字体，我们将使用该字体在页面上写入一些文本。

3 0 obj
<< /Font  % 字体字典
     << /F0  % 只有一种字体，称为/F0
          << /Type /Font  % 这三行引用了内置字体Times Italic
            /BaseFont /Times-Italic
            /Subtype /Type1 >>
     >>
>>
endobj

图形内容

页面内容流包含用于放置文本和图形的一系列运算符在页面上。它通过页面字典中的 /Contents 条目链接。

流对象由字典后跟原始数据流组成，包含一个一系列PDF操作数和运算符。通常，这将被压缩以减少文件大小，但我们手动输入，所以我们不压缩它。我们还必须以字节为单位指定流的长度-pdftk将为我们添加所需的 /Length 条目到流字典。

4 0 obj     % 页面内容流
<< >>
stream      % 流的开始
1. 0. 0. 1. 50. 700. cm % 位置在（50,700）
BT  % 开始文本块
 /F0 36. Tf         % 在36pt选择/F0字体
 (Hello, World!) Tj % 放置文本字符串
ET  % 结束文本块
endstream   % 流结束
endobj

页面上的图形运算符流的结果如图2-2所示。

目录，交叉引用表和文件尾

文件的最后一部分以文档目录开头，该目录是文档目录的根对象对象图。接下来是交叉引用表，它给出了字节偏移量文件中的每个对象。我们将pdftk为我们填写此内容。最后两行：一行给出交叉引用表开始的字节偏移量（我们写0和pdftk将替换它为我们）。最后，文件结束标记 %%EOF。

5 0 obj
<< /Type /Catalog   % 文件目录
   /Pages 1 0 R     % 参考页面列表
>>
endobj
xref    % 我们跳过了交叉引用表的开始
0 6
trailer
<< /Size 6      % 交叉引用表中的行数（对象数加1）
   /Root 5 0 R  % 参考文档目录
>>
startxref
0       % xref表开始的字节偏移量，我们将其设置为0
%%EOF   % 文件结束标记

现在我们准备将这些部分放在一起了

把它放在一起

可以在此在线资源中找到书此文件的源（示例2-1），或者你可以自己输入。将其保存为hello-broken.pdf。

例2-1。无效的hello-broken.pdf PDF文件适合手动创建

%PDF-1.0    % 文件header
1 0 obj     % 主要对象
<< /Type /Pages
   /Count 1
   /Kids [2 0 R]
>>
endobj
2 0 obj
<< /Type /Page
   /MediaBox [0 0 612 792]
   /Resources 3 0 R
   /Parent 1 0 R
   /Contents [4 0 R]
>>
endobj
3 0 obj
<< /Font
     << /F0
          << /Type /Font
             /BaseFont /Times-Italic
             /Subtype /Type1 >>
     >>
>>
endobj
4 0 obj     % 图形内容
<< >>
stream
1. 0. 0. 1. 50. 700. cm
BT
 /F0 36. Tf
 (Hello, World!) Tj
ET
endstream
endobj
5 0 obj     % 目录，交叉引用表和trailer
<< /Type /Catalog
   /Pages 1 0 R
>>
endobj
xref
0 6
trailer
<< /Size 6
   /Root 5 0 R
>>
startxref
0
%%EOF

就目前而言，hello-broken.pdf不是有效的PDF文件，甚至也不是Adobe Reader（其中相当容忍格式错误的文件）将无法应对。

译注： Adobe Acrobat 2018 已经可以直接打开 hello-broken.pdf 文件。打开后关闭时，会提示是否需要保存。查看保存的 PDF 发现使用 PDF 1.6 规范并且已经线性化。

开源的 SumatraPDF v3.2 也可以直接打开。

我们可以使用免费的pdftk工具来修复hello-broken.pdf文件，其中包含缺少的细节，将输出写入hello.pdf：

pdftk hello-broken.pdf output hello.pdf

pdftk读取文件及其对象，并为缺失或计算正确的数据我们写的错误部分，并生成示例2-2中显示的有效文件。注意一些语法的间距和格式已经改变 - 每个PDF制做人对此有不同的选择。

例2-2。完成的PDF文件hello.pdf，由pdftk修复

%PDF-1.0
%âãÏÓ       % ❶
1 0 obj
<<
/Kids [2 0 R]
/Count 1
/Type /Pages
>>
endobj
2 0 obj
<<
/Rotate 0
/Parent 1 0 R
/Resources 3 0 R
/MediaBox [0 0 612 792]
/Contents [4 0 R]
/Type /Page
>>
endobj
3 0 obj
<<
/Font
<<
/F0
<<
/BaseFont /Times-Italic
/Subtype /Type1
/Type /Font
>>
>>
>>
endobj
4 0 obj
<<
/Length 65  % ❷
>>
stream
1. 0. 0. 1. 50. 700. cm
BT
 /F0 36. Tf
 (Hello, World!) Tj
ET

endstream
endobj
5 0 obj
<<
/Pages 1 0 R
/Type /Catalog
>>
endobj xref
0 6         % ❸
0000000000 65535 f
0000000015 00000 n
0000000074 00000 n
0000000192 00000 n
0000000291 00000 n
0000000409 00000 n
trailer

<<
/Root 5 0 R
/Size 6
>>
startxref
459         % ❹
%%EOF

1: 一些不可打印的字符已添加到PDF标题中 - 这可确保文件被识别为二进制（而不是文本），例如，通过FTP等文件传输程序。

2: 已填写流的字节长度。

3: 交叉引用表已填入了每个对象的字节偏移量文件。

4: 已填写交叉引用表开头的字节偏移量。

该文件现在可以加载到PDF查看器中。Microsoft Windows上的Acrobat Reader的结果如图2-3所示。

备注

我们已经看到了如何从头开始构建一个简单的PDF文件，使用pdftk来帮助我们，以及我们已经看了一些构成PDF文档的基本语法。

你也可以使用文本编辑器查看现有的PDF文件。但是，有些数据（例如构成页面内容的图形运算符）很可能被压缩，因此不可读。 pdftk命令可用于解压缩这些部分以便于阅读 - 请参阅第114页的“压缩”。

在以后的章节中，我们将详细介绍典型PDF文件的各个部分以及如何进行程序读取，写入和编辑PDF文件。在每个阶段，都有机会通过改变和扩展我们在本章中构建的示例来构建示例文件。