itext读写pdf的原理

之前介绍过使用ASM框架的一些基础api，里面会涉及.class的文件结构，字节码处理其实是修改.class文件的内容，关键内容在于对文件结构和字节码指令的了解

最近也阅读了些pdf相关的java框架，对其标准和原理做了些简单理解，于是以同样的方式，根据itext这个框架来解读分享下pdf的文件结构以及读写pdf的一些原理

首先用itext5.3.4生成一个pdf文件作为学习案例，itext采用事件驱动的方式来设计，创建一个pdf文件其实也很容易，只需要走5步即可,具体可以参见代码示例（创建document对象->定义PdfWriter->打开document->为document添加内容->关闭document）

public classHeaderFooter_ {
 
   public static voidmain(String[] args) {
       try {
           //1.创建一个document
           Document document = new Document();
           
           //2.定义pdfWriter，指明文件输出流输出到一个文件
           PdfWriter.getInstance(document,newFileOutputStream("D:\\test.pdf"));
           
           //3.打开文档
           document.open();
           
           
           //字体
           Font font = new Font();
           font.setFamily("STSongStd-Light");
           //颜色
           font.setColor(BaseColor.BLUE);
           //4.添加内容
           Paragraph content = new Paragraph("xxx!",font);
           
           
           document.add(content);
           
           
           //添加段落
           for(int i=0;i<100;i++){
               document.add(new Paragraph("HelloWorld"+","+"Hello iText"+","+"HelloxDuan"));
           }
           
           //5.关闭
           document.close();
           
       } catch (FileNotFoundException e) {
           e.printStackTrace();
       } catch (DocumentException e) {
           e.printStackTrace();
       }
}

其实作为合格的码仔，学习使用api的速度那是非常快的，基本上很容易上手，基本一看就了解生成了有3页内容的pdf文件，所以使用api不是本次分析的目的，我们会更关注api的背后有什么东西。

好，现在我们来看下生成的test.pdf文件具体是以什么方式存放的，先写一段测试代码，以2进制方式读出pdf内容。

       FileInputStream in = newFileInputStream(new File("D:\\test.pdf"));
       int xx = in.read();
       while(xx!=-1){
           System.out.print((char)xx);
           xx = in.read();
          }

输出结果：

到此基本可以看出，pdf二进制内容大部分能直接读懂，这里要提下pdf文件是支持7位ASCⅡ码和二进制码这两种编码方式的.

从这个文件中，我们已经知道在pdf标准上将这个文件结构进行了分类，如下图，分为4部分：文件头、文件体、交叉引用表、文件尾

pdf文件内容的逻辑组织结构，也很好的反映了文件体中各间接对象间的等级层次关系。PDF的文档结构是一种树型结构，如图二所示。树的根节点也就是PDF文件的根对象，根节点下面有四个子树：页面树（Pages Tree）、书签树（Outline Tree）、线索树（ArticleThreads）和名字树（NamedDestination）。

下面就来一一解读pdf里的意义。

文件头：

第一行内容为“%PDF-1.4\r” -->第0-4位为固定值标识文件类型 %PDF或者%FDF等，第6-8为则是主次版本号

第二行的内容为：%226 227 207 211 \r，将这串2进制值转为16进制得到E2 E3 CF D3，这个是GBK编码“忏嫌”的中文，意思是容忍不满意，作者选择这个能够理解pdf的这种设计。另外文件头中的%还有另外一个含义，那就是注释，这是因为PDF其实是PostScript的缩略版，也是程序，可以自己编程来完成绘图、制作pdf；（注：PostScript是一种描述打印机如何在页面上绘图的语言，每个PostScript文件也可以称为一个矢量图片集，虽然它其实更像程序而不是图片）。

文件体

再下面，我们可以看到如下内容

4 0 obj

<</Parent3 0 R/Contents 2 0 R/Type/Page/Resources<</ProcSet [/PDF /Text /ImageB/ImageC /ImageI]/Font<</F1 1 0 R>>>>/MediaBox[0 0 595842]>>

endobj

6 0 obj

<</Parent3 0 R/Contents 5 0 R/Type/Page/Resources<</ProcSet [/PDF /Text /ImageB/ImageC /ImageI]/Font<</F1 1 0 R>>>>/MediaBox[0 0 595842]>>

endobj

8 0 obj

<</Parent3 0 R/Contents 7 0 R/Type/Page/Resources<</ProcSet [/PDF /Text /ImageB/ImageC /ImageI]/Font<</F1 1 0 R>>>>/MediaBox[0 0 595842]>>

endobj

3 0 obj

<</Type/Pages/Count3/Kids[4 0 R 6 0 R 8 0 R]>>

endobj

文件体里面由若干个的obj对象来组成。

第一个数字称为对象号，来唯一标识一个对象的，第二个是产生号，是用来表明它在被创建后的第几次修改，所有新创建的PDF文件的对象号应该都是0，即第一次被创建以后没有被修改过。上面的例子就标识了该对象的对象号是4，而且创建后没有被修改过。

包含在<<和>>之间的内容就是对象内容，最后以关键字endobj结束.

对象内容中主要为PostScript，在pdf*有60个页面描述指令，这60个页面描述指令描述了页面上的一系列的图形对象。这些图形对象大致可以分为四类，即路径对象（Path Object）、文本对象（Text Object）、图像对象（Image Object）和外部对象。

上面出现的这种代码(/Parent3 0 R)称为过程函数：过程函数是自定义新指令的方法，由一系列被“{”和“}”括起来的指令构成。例如求x的平方的过程为先复制一个x，再把两个x乘起来，即“{dupmul}”。于是该过程的定义指令为“/square {dup mul} def”。def是一个特殊的指令，可以把名称和数值或者过程函数结合起来并压入字典堆栈。基本格式为

/名称 取值 def

该指令用于定义变量和过程函数。当“取值”是一个过程函数，并且里面用到一些别的指令的时候，可以用

/名称 过程函数bind def

所以/Parent3 0 R表示意思是他的父路径是3 0 obj，从/Kids[40 R 6 0 R 8 0 R]中得知3 0 obj对象有40 obj、6 0 obj、8 0 obj 这3个叶子。即页面树与页面的关系。

其实过程函数只是做定义描述，并没与做什么其他事情。

这里我们还能看到/MediaBox[00 595 842]这个内容，这里的数字涉及到基本图形概念:

1.设备坐标：由打印机维护。

2.用户坐标：程序使用的与设备无关的坐标。左下角是(0,0)，坐标取值为实数。

当前变换矩阵：用户坐标到设备坐标的变换矩阵，用来实现PostScript的一些更精妙的东西。变换矩阵的一般用法为[a b c d u v]concat，执行后可以实现用户空间的坐标变换

x'=ax+cy+u,y'=bx+dy+v.

于是这里对应程序的像素坐标，即需要写到文件里的文本内容图像的坐标位置在x'=595,y'=842处。

用“[”和“]”括起来的表示序列。序列相当于java程序语言里的数组，但是各分量可以是不同类型的对象。注意程序在读序列时会执行其中遇到的指令（而不像过程函数里那样不操作），因此“[1 2 add]”表示的不是一个有三个对象的序列，而是只含唯一的一个分量3（1和2相加的结果）。

更多的这种指令内容可以参考PostScript的着色模型（Imaging Model），pdf采用和PS一样的方式来表现文字和图形，与PS语言一样，PDF的页面描述指令也是通过将选定的区域着色来绘制页面的。着色的区域可以是字母等的轮廓、直线和曲线定义的区域以及位图，着色的颜色可以是任意的，页面上的任何图形都可以被裁剪成其他形状。页面开始时是全空的，各种指令将不同的图形绘制到页面上，并且新的图形是不透明的，它可以覆盖旧的图形。

交叉引用表

　　从例子的内容中可以看到xref开头的一部分类似内存地址索引的代码，其实到这个位置的内容被称为交叉引用表，用来索引各个obj 对象在文档中的位置，以实现随机访问，形式是：

xref

0 11

000000000065535 f

000000098700000 n -->1 0 obj

000000001500000 n -->2 0 obj

000000107500000 n -->3 0 obj

000000019700000 n -->4 0 obj

000000035400000 n -->5 0 obj

000000051900000 n -->6 0 obj

000000067600000 n -->7 0 obj

000000083000000 n -->8 0 obj

000000113800000 n -->9 0 obj

000000118300000 n -->10 0 obj

　　xref说明一个交叉引用表的开始，交叉引用表的第一行0 11 说明下面各行所描述的对象号是从0开始，并且有11个对象。

　　000000000065535 f，一般每个PDF文件都是以这一行开始交叉应用表的，说明对象0的起始地址为0000000000，产生号（generation number）为65535，也是最大产生号，不可以再进行更改，而且最后对象的表示是f, 表明该对象为free, 这里，大家可以看到，其实这个对象可以看作是文件头。

　　000000098700000 n就是表示对象1，0000000987是其偏移地址，00000为5位产生号（最大为65535，0表明该对象未被修改过），n表示该对象在使用，区别与*对象(f)，这个对象可以更改。

文件尾

trailer

<</Root9 0 R/ID[<4fd0598dbf45d0a583b47b578d37e0fb><de82f58f5ac6cee2dd50e9ddb9165017>]/Info10 0 R/Size 11>>

%iText-5.3.4

startxref

1337

%%EOF

　　trailer 说明文件尾对象的开始，可以认为是文件尾部分的头文件标识。

　　/Size 11说明该PDF文件的对象数有11个。

　　/Root 90 R说明根对象的对象号为9。

/Info 10 0 R说明文件的描述信息的对象号在10。

%iText-5.3.4 是itext库插入的注释，无意义

　　startxref

　　1337 说明交叉引用表的偏移地址，从而可以找到PDF文档中所有的对象的相对地址，进而访问对象。

　　%%EOF为文件结束标志。也是注释。

其中10 0 obj包含了文件的作者、创建时间等一系列的文件属性信息。如下：

10 0 obj

<</Producer(iText?5.3.4 ?2000-2012 1T3XT BVBA\(AGPL-version\))/ModDate(D:20121204135101+08'00')/CreationDate(D:20121204135101+08'00')>>

endobj

到此，已经差不多解析完了整个pdf文件结构，我们也可以开始尝试来写一个pdf读写的功能，对pdf做些修改。

比如1.6版本的pdf文件无法在Acrobat 5.0版本的pdf阅读器中打开等版本不兼容情况，这时候就可以通过修改pdf的文件结构来修复pdf，方法：

首先用UE或者notepad++等打开该pdf文件，第一行“%PDF-1.6%忏嫌”修改成“%PDF-1.5%忏嫌”，然后进行保存关闭；再用Acrobat6.0 完全版打开该pdf文件，找到Advanced菜单下PDF Optimizer后，Compatible with下拉框中选择“Acrobat 5.0 and later”，然后点击“OK”,进行另存即可。