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*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。