PDF格式學習
PDF是Portable Document Format 的縮寫，可翻譯為“便攜檔案格式”，由Adobe System Incorporated 公司在1992年發明。
PDF檔案是一種程式設計形式的文檔格式，它所有顯示的内容，都是通過相應的操作符進行繪制的。
PDF基本顯示單元包括：文字，圖檔，矢量圖，圖檔
PDF擴充單元包括：水印，電子署名，注釋，表單，多媒體，3D
PDF動作單元：書簽，超連結（擁有動作的單元有很多個，包括電子署名，多媒體等等）
一緻性：在所有可以打開PDF的機器上，展示的效果是完全一緻，不會出現段落錯亂、文字亂碼這些排版問題。尤其是文檔中，本身可以嵌入字型，避免了用戶端沒有對應字型，而導緻文字顯示不一緻的問題。是以，在印刷行業，絕大多數用的都是PDF格式。
不易修改：用過PDF檔案的人，都會知道，對已經儲存之後的PDF檔案，想要進行重新排版，基本上就不可能的，這就保證了從資料源發往外界的資料，不容易被篡改。
安全性：PDF文檔可以進行加密，包括以下幾種加密形式：文檔打開密碼，文檔權限密碼，文檔證書密碼，加密的方法包括：RC4，AES，通過加密這種形式，可以達到資料防擴散等目的。
不失真：PDF檔案中，使用了矢量圖，在檔案浏覽時，無論放大多少倍，都不會導緻使用矢量圖繪制的文字，圖案的失真。
支援多種壓縮方式：為了減少PDF檔案的size，PDF格式支援各種壓縮方式：asciihex，ascii85，lzw，runlength，ccitt，jbig2，jpeg(DCT)，jpeg2000(jpx)
支援多種印刷标準：支援PDF-A，PDF-X
根據PDF官方指南，了解PDF格式可以從四個方面下手——Objects（對象）、File structure（實體檔案結構）、Document structure（邏輯檔案結構）、Content streams（内容流）。
整體上分為檔案頭（Header）、對象集合（Body）、交叉引用表（Xref table）、檔案尾（Trailer）四個部分，結構如圖。修改過的PDF結構會有部分變化。
未經修改
經修改
檔案頭是PDF檔案的第一行,格式如下:
%PDF-1.7
這是個固定格式，表示這個PDF檔案遵循的PDF規範版本，解析PDF的時候盡量支援高版本的規範，以保證支援大多數工具生成的PDF檔案。1.7版本支援1.0-1.7之間的所有版本。
這是一個PDF檔案最重要的部分，檔案中用到的所有對象,包括文本、圖象、音樂、視訊、字型、超連接配接、加密資訊、文檔結構資訊等等,都在這裡定義。格式如下:
2 0 obj
...
end obj
一個對象的定義包含4個部分：前面的2是對象序号，其用來唯一标記一個對象；0是生成号，按照PDF規範，如果一個PDF檔案被修改，那這個數字是累加的，它和對象序号一起标記是原始對象還是修改後的對象，但是實際開發中，很少有用這種方式修改PDF的，都是重新編排對象号；obj和endobj是對象的定義範圍，可以抽象的了解為這就是一個左括号和右括号；省略号部分是PDF規定的任意合法對象。
可以通過R關鍵字來引用任何一個對象，比如要引用上面的對象，可以使用2 0 R，需要主意的是，R關鍵字不僅可以引用一個已經定義的對象，還可以引用一個并不存在的對象，而且效果就和引用了一個空對象一樣。
對象主要有下面幾種
booleam 用關鍵字true或false表示，可以是array對象的一個元素,或dictionary對象的一個條目。也可以用在PostScript計算函數裡面，做為if或if esle的一個條件。
numeric 包括整形和實型，不支援非十進制數字，不支援指數形式的數字。例: 1)整數 123 4567 +111 -2 範圍:正2的31次方-1到負的2的31次方 2)實數 12.3 0.8 +6.3 -4.01 -3. +.03 範圍:±3.403 ×10的38次方 ±1.175 × 10的-38次方
注意:如果整數超過表示範圍将轉化成實數,如果實數超過範圍就會出錯
string 由一系列0-255之間的位元組組成，一個string總長度不能超過65535.string有以下兩種方式：
十六進制字串 由<>包含起來的一個16進制串，兩位表示一個字元,不足兩位用0補齊。例: \
表示AA和BB兩個字元 \ 表示AA和B0兩個字元
直接字串 由()包含起來的一個字串,中間可以使用轉義符"/"。例：(abc) 表示abc
(a//) 表示a/
轉義符的定義如下：
轉義字元
含義
/n
換行
/r
回車
/t
水準制表符
/b
倒退
/f
換頁（Form feed (FF)）
/(
左括号
/)
右括号
//
反斜杠
/ddd
八進制形式的字元
對象類别（續）
name 由一個前導/和後面一系列字元組成，最大長度為127。和string不同的是，name是不可分割的并且是唯一的，不可分割就是說一個name對象就是一個原子，比如/name，不能說n就是這個name的一個元素；唯一就是指兩個相同的name一定代表同一個對象。從pdf1.2開始，除了ascii的0，别的都可以用一個#加兩個十六進制的數字表示。例:
/name 表示name
/name#20is 表示name is
/name#200 表示name 0
array 用[]包含的一組對象，可以是任何pdf對象(包括array)。雖然pdf隻支援一維array，但可以通過array的嵌套實作任意維數的array(但是一個array的元素不能超過8191)。例：[549 3.14 false (Ralph) /SomeName]
Dictionary 用"<<"和">>"包含的若幹組條目，每組條目都由key和value組成，其中key必須是name對象，并且一個dictionary内的key是唯一的；value可以是任何pdf的合法對象(包括dictionary對象)。例： << /IntegerItem 12 /StringItem (a string) /Subdictionary << /Item1 0.4 /Item2 true /LastItem (not!) /VeryLastItem (OK) >> >>
stream 由一個字典和緊跟其後面的一組關鍵字stream和endstream以及這組關鍵字中間包含一系列位元組組成。内容和string很相似，但有差別：stream可以分幾次讀取，分開使用不同的部分，string必須作為一個整體一次全部讀取使用；string有長度限制，但stream卻沒有這個限制。一般較大的資料都用stream表示。需要注意的是，stream必須是間接對象，并且stream的字典必須是直接對象。從1.2規範以後，stream可以以外部檔案形式存在，這種情況下，解析PDF的時候stream和endstream之間的内容就被忽略掉。例: dictionary stream…data…endstreamstream字典中常用的字段如下：
字段名
類型
值
Length
整形
（必須）關鍵字stream和endstream之間的資料長度，endstream之前可能會有一個多餘的EOL标記，這個不計算在資料的長度中。
Filter
名字 或 數組
（可選）Stream的編碼算法名稱（清單）。如果有多個，則數組中的編碼算法清單順序就是資料被編碼的順序。
DecodeParms
字典 或 數組
（可選)一個參數字典或由參數字典組成的一個數組，供Filter使用。如果僅有一個Filter并且這個Filter需要參數，除非這個Filter的所有參數都已經給了預設值，否則的話 DecodeParms必須設定給Filter。如果有多個Filter，并且任意一個Filter使用了非預設的參數， DecodeParms 必須是個數組，每個元素對應一個Filter的參數清單（如果某個Filter無需參數或所有參數都有了預設值，就用空對象代替）。如果沒有Filter需要參數，或者所有Filter的參數都有預設值，DecodeParms 就被忽略了。
F
檔案辨別
（可選)儲存stream資料的檔案。如果有這個字段， stream和endstream就被忽略，FFilter将會代替Filter, FDecodeParms将代替DecodeParms。Length字段還是表示stream和endstream之間資料的長度，但是通常此刻已經沒有資料了，長度是0.
FFilter
名字 或 字典
(可選)和filter類似，針對外部檔案。
FDecodeParms
(可選)和DecodeParams類似，針對外部檔案。
Stream的編碼算法名稱（清單）。如果有多個，則數組中的編碼算法清單順序就是資料被編碼的順序。且需要被編碼。編碼算法主要如下：
編碼可視化主要顯示為亂碼，是以提供了隐藏資訊的機會,如下圖的steam内容為亂碼。
NULL 用null表示，代表空。如果一個key的值為null，則這個key可以被忽略；如果引用一個不存在的object則等價于引用一個空對象。
交叉引用表是PDf檔案内部一種特殊的檔案組織方式，可以很友善的根據對象号随機通路一個對象。其格式如下:
xref
0 1
0000000000 65535 f
4 1
0000000009 00000 n
8 3
0000000074 00000 n
0000000120 00000 n
0000000179 00000 n
其中,xref是開始标志,表示以下為一個交叉引用表的内容;每個交叉引用表又可以分為若幹個子段，每個子段的第一行是兩個數字，第一個是對象起始号，後面是連續的對象個數，接着每行是這個子段的每個對象的具體資訊——每行的前10個數字代表這個這個對象相對檔案頭的偏移位址,後面的5位數字是生成号（用于标記PDF的更新資訊，和對象的生成号作用類似），最後一位f或n表示對象是否被使用(n表示使用,f表示被删除或沒有用)。上面這個交叉引用表一共有3個子段，分别有1個，1個，3個對象，第一個子段的對象不可用，其餘子段對象可用。
通過trailer可以快速的找到交叉引用表的位置，進而可以精确定位每一個對象；還可以通過它本身的字典還可以擷取檔案的一些全局資訊（作者，關鍵字，标題等），加密資訊，等等。具體形式如下:
trailer
<<
key1 value1
key2 value2
key3 value3
…
>>
startxref
553
%%EOF
trailer後面緊跟一個字典，包含若幹鍵-值對。具體含義如下：
鍵
值類型
值說明
Size
整形數字
所有間接對象的個數。一個PDF檔案，如果被更新過，則會有多個對象集合、交叉引用表、trailer，最後一個trailer的這個字段記錄了之前所有對象的個數。這個值必須是直接對象。
Prev
當檔案有多個對象集合、交叉引用表和trailer時，才會有這個鍵，它表示前一個相對于檔案頭的偏移位置。這個值必須是直接對象。
Root
字典
Catalog字典（檔案的邏輯入口點）的對象号。必須是間接對象。
Encrypt
文檔被保護時，會有這個字段，加密字典的對象号。
Info
存放文檔資訊的字典，必須是間接對象。
ID
數組
檔案的ID
上面代碼中的startxref：後面的數字表示最後一個交叉引用表相對于檔案起始位置的偏移量
%%EOF：檔案結束符
catalog是整個PDF邏輯結構的根節點，這個可以通過trailer的Root字段定位，雖然簡單，但是相當重要，因為這裡是PDF檔案實體結構和邏輯結構的連接配接點。Catalog字典包含的資訊非常多，這裡僅就最主要的幾個字段做個說明。
字段
Type
name
(必須)隻能為Pages 。
Parent
dictionary
(如果不是catalog裡面指定的跟節點，則必須有，并且必須是間接對象) 目前節點的直接父節點。
Kids
array
(必須)一個間接對象組成的數組，節點可能是page或page tree。
Count
integer
(必須) page tree裡面所包含葉子節點（page 對象）的個數。
從以上字段可以看出，Pages最主要的功能就是組織所有的page對象。Page對象描述了一個PDF頁面的屬性、資源等資訊。Page對象是一個字典，它主要包含一下幾個重要的屬性：
Pages字段 這是個必須字段，是PDF裡面所有頁面的描述集合。Pages字段本身是個字典，它裡面又包含了一下幾個主要字段：
(必須)必須是Page。
(必須；并且隻能是間接對象)目前page節點的直接父節點page tree 。
LastModified
date
(如果存在PieceInfo字段，就必須有，否則可選)記錄目前頁面被最後一次修改的日期和時間。
Resources
(必須; 可繼承)記錄了目前page用到的所有資源。如果目前頁不用任何資源，則這是個空字典。忽略所有字段則表示繼承父節點的資源。
MediaBox
rectangle
(必須; 可繼承)定義了要顯示或列印頁面的實體媒介的區域（default user space units）
CropBox
(可選; 可繼承)定義了一個可視區域，目前頁被顯示或列印的時候，它的内容會被這個區域裁剪。預設值就是 MediaBox。
BleedBox
(可選) 定義了一個區域，當輸出裝置是個生産環境（ production environment）的時候，頁面顯示的内容會被裁剪。預設值是 CropBox.
Contents
stream or array
(可選) 描述頁面内容的流。如果這個字段預設，則頁面上什麼也不會顯示。這個值可以是一個流，也可以是由幾個流組成的一個數組。如果是數組，實際效果相當于所有的流是按順序連在一起的一個流，這就允許PDF生成的時候可以随時插入圖檔或其他資源。流之間的分割隻是詞彙上的一個分割，并不是邏輯上或者組織形式的切割。
Rotate
(可選; 可繼承) 順時鐘旋轉的角度數，這個必須是90的整數倍，預設是0。
Thumb
stream
(可選)定義目前頁的縮略圖。
Annots
(可選) 和目前頁面關聯的注釋。
Metadata
(可選) 目前頁包含的中繼資料。
一個簡單例子：
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
Outlines字段 Outline是PDF裡面為了友善使用者從PDF的一部分跳轉到另外一部分而設計的，有時候也叫書簽（Bookmark），它是一個樹狀結構，可以直覺的把PDF檔案結構展現給使用者。使用者可以通過滑鼠點選來打開或者關閉某個outline項來實作互動，當打開一個outline時，使用者可以看到它的所有子節點，關閉一個outline的時候，這個outline的所有子節點會自動隐藏。并且，在點選的時候，閱讀器會自動跳轉到outline對應的頁面位置。Outlines包含以下幾個字段：
(可選)如果這個字段有值，則必須是Outlines。
First
(必須;必須是間接對象) 第一個頂層Outline item。
Last
(必須;必須是間接對象)最後一個頂層outline item。
(必須)outline的所有層次的item的總數。
Outline是一個管理outline item的頂層對象，我們看到的，其實是outline item，這個裡面才包含了文字、行為、目标區域等等。一個outline item主要有一下幾個字段：
Title
text string
(必須)目前item要顯示的标題。
(必須;必須是間接對象) outline層級中，目前item的父對象。如果item本身是頂級item，則父對象就是它本身。
(除了每層的第一個item外，其他item必須有這個字段;必須是間接對象)目前層級中，此item的前一個item。
Next
(除了每層的最後一個item外，其他item必須有這個字段;必須是間接對象)目前層級中，此item的後一個item。
(如果目前item有任何子節點，則這個字段是必須的;必須是間接對象) 目前item的第一個直接子節點。
(如果目前item有任何子節點，則這個字段是必須的;必須是間接對象) 目前item的最後一個直接子節點。
Dest
name,byte string, or array
(可選; 如果A字段存在，則這個不能被會略)目前的outline item被激活的時候，要顯示的區域。
A
(可選; 如果Dest 字段存在，則這個不能被忽略)目前的outline item被激活的時候，要執行的動作。
URI字段 URI（uniform resource identifier)，定義了文檔級别的統一資源辨別符和相關連結資訊。目錄和文檔中的連結就是通過這個字段來處理的.
Metadata字段 文檔的一些附帶資訊，用xml表示，符合adobe的xmp規範。這個可以友善程式不用解析整個檔案就能獲得檔案的大緻資訊。
其他 Catalog字典中，常用的字段一般有以下一些：
(必須)必須為Catalog。
Version
(可選)PDF檔案所遵循的版本号（如果比檔案頭指定的版本号高的話）。如果這個字段預設或者檔案頭指定的版本比這裡的高，那就以檔案頭為準。一個PDF生成程式可以通過更新這個字段的值來修改PDF檔案版本号。
Pages
(必須并且必須為間接對象)目前文檔的頁面集合入口。
PageLabels
number tree
(可選) number tree，定義了頁面和頁面label對應關系。
Names
(可選)文檔的name字典。
Dests
(可選;必須是間接對象)name和相應目标對應關系字典。
ViewerPreferences
(可選)閱讀參數配置字典，定義了文檔被打開時候的行為。如果預設，則使用閱讀器自己的配置。
PageLayout
(可選) 指定文檔被打開的時候頁面的布局方式。SinglePageDisplay 單頁OneColumnDisplay 單列TwoColumnLeftDisplay 雙列，奇數頁在左TwoColumnRightDisplay 雙列，奇數頁在右TwoPageLeft 雙頁，奇數頁在左TwoPageRight 雙頁，奇數頁在右預設值: SinglePage.
PageMode
(可選) 當文檔被打開時，指定文檔怎麼顯示UseNone 目錄和縮略圖都不顯示UseOutlines 顯示目錄UseThumbs 顯示縮略圖FullScreen 全屏模式，沒有菜單，任何其他視窗UseOC 顯示Optional content group 面闆UseAttachments顯示附件面闆預設值: UseNone.
Outlines
(可選；必須為間接對象)文檔的目錄字典
Threads
(可選；必須為間接對象)文章線索字典組成的數組。
OpenAction
array or dictionary
(可選) 指定一個區域或一個action，在文檔打開的時候顯示（區域）或者執行（action）。如果預設，則會用預設縮放率顯示第一頁的頂部。
AA
(可選)一個附加的動作字典，在全局範圍内定義了響應各種事件的action。
URI
(可選)一個URI字典包含了文檔級别的URI action資訊。
AcroForm
(可選)文檔的互動式form (AcroForm)字典。
(可選;必須是間接對象)文檔包含的中繼資料流。