2024年3月11日发(作者：)

PDF(Portable Document Format,便携式文档结构)是一种很有用的文件格式,

其最大的特点是平台无关而且功能强大(支持文字/图象/表单/链接/音乐/视频等).做PDF

的解析，首先要熟悉PDF文件的物理结构和逻辑结构。PDF文件物理结构可分为以下几

块:

1.文件头

文件头是PDF文件的第一行,格式如下:

%

这是个固定格式，表示这个PDF文件遵循的PDF规范版本，目前PDF的生成工具，除了

官方的acrobat，其他生成的以版本的居多。对于做PDF开发来说，一个最简单的原则就是

生成PDF的时候尽量符合低版本规范，以保证大多数解析器能支持；解析PDF的时候尽量支

持高版本的规范，以保证支持大多数工具生成的PDF文件。

从版本以后，PDF文件的版本并不唯一的只是在这里表示了，可能后面会改写（catalog

的Version词条），所以解析PDF的时候，如果这里的版本大于等于，应该再比较一下catalog

里面的version，取其中高一点的版本。

2.对象集合

这是一个PDF文件最重要的部分，文件中用到的所有对象,包括文本/图象/音

乐/视频/字体/超连接/加密信息/文档结构信息等等,都在这里定义。格式如下:

2 0 obj

...

end obj

一个对象的定义包含4个部分：

前面的2是对象序号，其用来唯一标记一个对象；0是生成号，按照PDF规范，如果一

个PDF文件被修改，那这个数字是累加的，它和对象序号一起标记是原始对象还是修改后的

对象，但是实际开发中，很少有用这种方式修改PDF的，都是重新编排对象号；obj和endobj

是对象的定义范围，可以抽象的理解为这就是一个左括号和右括号；省略号部分是PDF规定

的任意合法对象(一共8种，见后面附A)。

可以通过R关键字来引用任何一个对象，比如要引用上面的对象，可以使用2 0 R，需

要主意的是，R关键字不仅可以引用一个已经定义的对象，还可以引用一个并不存在的对象，

而且效果就和引用了一个空对象一样。

3.交叉引用表

交叉引用表是PDf文件内部一种特殊的文件组织方式，可以很方便的根据对象

号随机访问一个对象。其格式如下:

xref

0 1

65535 f

4 1

00000 n

8 3

00000 n

00000 n

00000 n

其中,xref是开始标志,表示以下为一个交叉引用表的内容;每个交叉引用表又可以

分为若干个子段，每个子段的第一行是两个数字，第一个是对象起始号，后面是连续的对象

个数，接着每行是这个子段的每个对象的具体信息——每行的前10个数字代表这个这个对

象相对文件头的偏移地址,后面的5位数字是生成号（用于标记PDF的更新信息，和对象的

生成号作用类似），最后一位f或n表示对象是否被使用(n表示使用,f表示被删除或没有

用)。上面这个交叉引用表一共有3个子段，分别有1个，1个，3个对象，第一个子段的对

象不可用，其余子段对象可用。

:

通过trailer可以快速的找到交叉引用表的位置，进而可以精确定位每一个对

象；还可以通过它本身的字典还可以获取文件的一些全局信息（作者，关键字，标题等），

加密信息，等等。具体形式如下:

trailer

<<

key1 value1

key2 value2

key3 value3

…

>>

startxref