PDF文件结构（二）

————逻辑结构

作者：bobob

邮件：zxbbobob@hotmail.com

原文：http://blog.csdn.net/bobob/article/details/4328450
    要解析一个PDF文件，首先要掌握PDF的物理结构，这是第一步。但是这个仅仅只是基础，更重要的是对PDF逻辑结构的解析。PDF的逻辑大体上是一个树状结构，根节点是catalog字典，通过这里去解析页、目录、链接信息等等，在这里按照PDF的树形结构，详细讨论一下整个文件的逻辑框架。

一、catalog根节点

catalog是整个PDF逻辑结构的根节点，这个可以通过trailer的Root字段定位，虽然简单，但是相当重要，因为这里是PDF文件物理结构和逻辑结构的连接点。Catalog字典包含的信息非常多，这里仅就最主要的几个字段做个说明。

（1）Pages字段

这是个必须字段，是PDF里面所有页面的描述集合。Pages字段本身是个字典，它里面又包含了一下几个主要字段：

字段

类型

值

Type

name

(必须)只能为Pages 。

Parent

dictionary

(如果不是catalog里面指定的跟节点，则必须有，并且必须是间接对象) 当前节点的直接父节点。

Kids

array

(必须)一个间接对象组成的数组，节点可能是page或page tree。

Count

integer

(必须) page tree里面所包含叶子节点（page 对象）的个数。

从以上字段可以看出，Pages最主要的功能就是组织所有的page对象。Page对象描述了一个PDF页面的属性、资源等信息。Page对象是一个字典，它主要包含一下几个重要的属性：

字段

类型

值

Type

name

(必须)必须是Page。

Parent

dictionary

(必须；并且只能是间接对象)当前page节点的直接父节点page tree 。

LastModified

date

(如果存在PieceInfo字段，就必须有，否则可选)记录当前页面被最后一次修改的日期和时间。

Resources

dictionary

(必须; 可继承)记录了当前page用到的所有资源。如果当前页不用任何资源，则这是个空字典。忽略所有字段则表示继承父节点的资源。

MediaBox

rectangle

(必须; 可继承)定义了要显示或打印页面的物理媒介的区域（default user space units）

CropBox

rectangle

(可选; 可继承)定义了一个可视区域，当前页被显示或打印的时候，它的内容会被这个区域裁剪。默认值就是MediaBox。

BleedBox

rectangle

(可选) 定义了一个区域，当输出设备是个生产环境（production environment）的时候，页面显示的内容会被裁剪。默认值是 CropBox.

Contents

stream or array

(可选) 描述页面内容的流。如果这个字段缺省，则页面上什么也不会显示。

这个值可以是一个流，也可以是由几个流组成的一个数组。如果是数组，实际效果相当于所有的流是按顺序连在一起的一个流，这就允许PDF生成的时候可以随时插入图片或其他资源。流之间的分割只是词汇上的一个分割，并不是逻辑上或者组织形式的切割。

Rotate

integer

(可选; 可继承) 顺时钟旋转的角度数，这个必须是90的整数倍，默认是0。

Thumb

stream

(可选)定义当前页的缩略图。

Annots

array

(可选) 和当前页面关联的注释。

Metadata

stream

(可选) 当前页包含的元数据。

一个简单例子：

3 0 obj

<< /Type /Page

/Parent 4 0 R

/MediaBox [ 0 0 612 792 ]

/Resources <</Font<<

/F3 7 0 R /F5 9 0 R /F7 11 0 R

>>

/ProcSet [ /PDF ]

>>

/Contents 12 0 R

/Thumb 14 0 R

/Annots [ 23 0 R 24 0 R]

>>

endobj

（2）Outlines字段

Outline是PDF里面为了方便用户从PDF的一部分跳转到另外一部分而设计的，有时候也叫书签（Bookmark），它是一个树状结构，可以直观的把PDF文件结构展现给用户。用户可以通过鼠标点击来打开或者关闭某个outline项来实现交互，当打开一个outline时，用户可以看到它的所有子节点，关闭一个outline的时候，这个outline的所有子节点会自动隐藏。并且，在点击的时候，阅读器会自动跳转到outline对应的页面位置。Outlines包含一下几个字段：

KEY

TYPE

VALUE

Type

name

(可选)如果这个字段有值，则必须是Outlines。

First

dictionary

(必须;必须是间接对象) 第一个顶层Outline item。

Last

dictionary

(必须;必须是间接对象)最后一个顶层outline item。

Count

integer

(必须)outline的所有层次的item的总数。

Outline是一个管理outline item的顶层对象，我们看到的，其实是outline item，这个里面才包含了文字、行为、目标区域等等。一个outline item主要有一下几个字段：

Title

text string

(必须)当前item要显示的标题。

Parent

dictionary

(必须;必须是间接对象) outline层级中，当前item的父对象。如果item本身是顶级item，则父对象就是它本身。

Prev

dictionary

(除了每层的第一个item外，其他item必须有这个字段;必须是间接对象)当前层级中，此item的前一个item。

Next

dictionary

(除了每层的最后一个item外，其他item必须有这个字段;必须是间接对象)当前层级中，此item的后一个item。

First

dictionary

(如果当前item有任何子节点，则这个字段是必须的;必须是间接对象) 当前item的第一个直接子节点。

Last

dictionary

(如果当前item有任何子节点，则这个字段是必须的;必须是间接对象) 当前item的最后一个直接子节点。

Dest

name,
byte string, or array

(可选; 如果A字段存在，则这个不能被会略)当前的outline item被激活的时候，要显示的区域。

A

dictionary

(可选; 如果Dest 字段存在，则这个不能被忽略)当前的outline item被激活的时候，要执行的动作。

（3）URI字段

URI（uniform resource identifier)，定义了文档级别的统一资源标识符和相关链接信息。目录和文档中的链接就是通过这个字段来处理的。

（4）Metadata字段

文档的一些附带信息，用xml表示，符合adobe的xmp规范。这个可以方便程序不用解析整个文件就能获得文件的大致信息。

（5）其他

Catalog字典中，常用的字段一般有以下一些：

字段

类型

值

Type

name

(必须)必须为Catalog。

Version

name

(可选)PDF文件所遵循的版本号（如果比文件头指定的版本号高的话）。如果这个字段缺省或者文件头指定的版本比这里的高，那就以文件头为准。一个PDF生成程序可以通过更新这个字段的值来修改PDF文件版本号。

Pages

dictionary

(必须并且必须为间接对象)当前文档的页面集合入口。

PageLabels

number tree

(可选) number tree，定义了页面和页面label对应关系。

Names

dictionary

(可选)文档的name字典。

Dests

dictionary

(可选;必须是间接对象)name和相应目标对应关系字典。

ViewerPreferences

dictionary

(可选)阅读参数配置字典，定义了文档被打开时候的行为。如果缺省，则使用阅读器自己的配置。

PageLayout

name

(可选) 指定文档被打开的时候页面的布局方式。SinglePageDisplay 单页

OneColumnDisplay 单列

TwoColumnLeftDisplay 双列，奇数页在左

TwoColumnRightDisplay 双列，奇数页在右

TwoPageLeft 双页，奇数页在左

TwoPageRight 双页，奇数页在右

缺省值: SinglePage.

PageMode

name

(可选) 当文档被打开时，指定文档怎么显示

UseNone  目录和缩略图都不显示

UseOutlines 显示目录

UseThumbs  显示缩略图

FullScreen  全屏模式，没有菜单，任何其他窗口

UseOC     显示Optional content group 面板

UseAttachments显示附件面板

缺省值: UseNone.

Outlines

dictionary

(可选；必须为间接对象)文档的目录字典

Threads

array

(可选；必须为间接对象)文章线索字典组成的数组。

OpenAction

array or dictionary

(可选) 指定一个区域或一个action，在文档打开的时候显示（区域）或者执行（action）。如果缺省，则会用默认缩放率显示第一页的顶部。

AA

dictionary

(可选)一个附加的动作字典，在全局范围内定义了响应各种事件的action。

URI

dictionary

(可选)一个URI字典包含了文档级别的URI action信息。

AcroForm

dictionary

(可选)文档的交互式form (AcroForm)字典。

Metadata

stream

(可选;必须是间接对象)文档包含的元数据流。
         
分享到： 
  • 上一篇：PDF文件结构

PDF文件结构（二） 逻辑结构相关推荐

  1. java完整的利用itext5制作pdf、二维码图片插入pdf，并解析pdf中的二维码信息

    利用itext5.zxing.QRCore制作pdf.二维码图片插入pdf,并解析pdf中的二维码信息,手机可以实现扫描获取二维码的信息,并进行验证你的解析是否正确. 先是生成二维码图片并插入pdf中 ...

  2. PDF学习二：PDF文件物理结构

    说明: 在PDF学习一 Hello World中简单提到了PDF文件结构.本文将重点讲PDF文件结构,指的是其文件物理组织方式,决定对象是如何存放在一个PDF文件中, 它们是如何被访问的,如何被更新的 ...

  3. springboot操作pdf（二）之合并pdf

    系列文章目录 文章列表 1. springboot操作pdf(一)之word转pdf 文章目录 系列文章目录 前言 一.pdfbox是什么? 二.使用步骤 1.导入依赖 2.合并pdf的代码如下 总结 ...

  4. PDF文件结构及签章

    参考文章:http://www.zzvips.com/article/195911.html 数据类型 直接对象 八种直接对象类型 约束 示例 Boolean Objects 值为true.false ...

  5. 结合编辑器和PDFXplorer工具查看PDF文件结构

    首先用编辑器打开PDF,可以看到如下结构 1.寻找文件结构入口 /Root k-value形式,/Root 98 0 R/ k是Root value是98 0 R 98 0 R 代表被引用,指向的对象 ...

  6. wordpress php教程 pdf,wordpress二次开发全能教程.pdf

    wordpress 二次开发全能教程 1. 根据分类来制定导航条 A. 修改页面 header.php! <?php wp_list_categories('title_li='); ?> ...

  7. 绘制pdf表格 (二) 通过itext实现在pdf中绘制excel表格样式设置中文字体、水印、logo、页眉、页码

    前言 在<通过itext实现在pdf中绘制excel表格样式并且实现下载>实现了表格的基本渲染,本文将继续进行水印.logo.页眉.页码的设置,本文的部分代码包含<通过itext实现 ...

  8. PDF杂谈二 如何实现无纸化办公？

    2018年的平均劳动力调查显示了惊人的结果,仍有44%的企业在使用纸张进行日常办公.更令人惊讶的是,仅有2%的企业表示他们已经完全数字化,即无纸化办公.那么,无纸化办公运动发生了什么呢? 让我们来回顾 ...

  9. 深入理解JVM虚拟机(四)：Class类文件结构(二)

    属性表在前面的讲解中出现多次,在Class文件.字段表.方法表都可以携带自己的属性表集合,用于描叙某些场景专有的信息.为了正确解析Class文件,<Java虚拟机规范(第二版)>中预定义了 ...

最新文章

  1. 4701年新年快乐！
  2. 框架 路由地址_Django框架的使用
  3. docker18.09.3修改守护进程配置文件不生效问题
  4. ITK:从文件读取转换
  5. MySQL之性能优化解说
  6. oracle 11gogg,【OGG】Oracle GoldenGate 11g (二) GoldenGate 11g 单向同步配置 上
  7. 【CCS2018】SDN跨应用中毒攻击
  8. Python3之数据类型
  9. PostGreSql学习笔记001---PostgreSQL10.4安装（Windows）_支持PostGreGis_PostJDBC
  10. Python入门--闭包，工程函数
  11. python解释器哪个版本好_python解释器有几种
  12. 有效的数独 python_LeetCode 36. 有效的数独 | Python
  13. python龙卷风框架,龙卷风python的简单异步示例
  14. 【正点原子MP157连载】第二十八章 A7和M4联合调试-摘自【正点原子】STM32MP1 M4裸机CubeIDE开发指南
  15. 如何评估开发代码质量
  16. 9.16 内存、外存与外设
  17. linux系统tcl电视刷机包,tcl电视刷机包tcl电视升级包系统修复tcl电视强刷包
  18. 一个3D车道线检测方法PersFormer及其开源OpenLane数据集
  19. 【坑2】maven通过nexus私服服务器下载jar包提示无权限Authentication failed for http://localhost:8081/repository/maven-pub
  20. [置顶] 中国象棋程序的设计与实现(高级版)(项目截图)

热门文章

  1. 警告: Explicit solution could not be found.
  2. python正则表达式贪婪匹配_Python正则表达式教程之三：贪婪/非贪婪特性
  3. 美味度配方：配料调配(for循环嵌套使用)
  4. ubuntu18.04 maas
  5. 加雨(雨天数据集制作）
  6. 南邮ctf-Remove Boyfriend
  7. Python爬虫超详细讲解（零基础入门，老年人都看的懂）！
  8. 在时光深处，聆听一段光阴的故事
  9. TSI 3500/40M 本特利330130-040-00-05延长电缆
  10. 美丽田园以公司实力 通过港股ipo上市一度涨近70%