PDF學習（二）

要解析一個PDF檔案，首先要掌握PDF的物理結構，這是第一步。但是這個僅僅只是基礎，更重要的是對PDF邏輯結構的解析。PDF的邏輯大體上是一個樹狀結構，根節點是catalog字典，通過這裡去解析頁、目錄、連結資訊等等，在這裡按照PDF的樹形結構，詳細討論一下整個檔案的邏輯架構。

 

一、catalog根節點

 

catalog是整個PDF邏輯結構的根節點，這個可以通過trailer的Root欄位定位，雖然簡單，但是相當重要，因為這裡是PDF檔案物理結構和邏輯結構的連接點。Catalog字典包含的資訊非常多，這裡僅就最主要的幾個欄位做個說明。

（1）Pages欄位

這是個必須欄位，是PDF裡面所有頁面的描述集合。Pages欄位本身是個字典，它裡面又包含了一下幾個主要欄位：

欄位
 類型
 值
 
Type
 name
 (必須)只能為Pages 。
 
Parent
 dictionary
 (如果不是catalog裡面指定的跟節點，則必須有，並且必須是間接對象) 當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。

從以上欄位可以看出，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：

欄位
 類型
 值
 
Type
 name
 (必須)必須是Page。
 
Parent
 dictionary
 (必須；並且只能是間接對象)當前page節點的直接父節點page tree 。
 
LastModified
 date
 (如果存在PieceInfo欄位，就必須有，否則可選)記錄當前頁面被最後一次修改的日期和時間。
 
Resources
 dictionary
 (必須; 可繼承)記錄了當前page用到的所有資源。如果當前頁不用任何資源，則這是個空字典。忽略所有欄位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物理媒介的地區（default user space units）
 
CropBox
 rectangle
 (可選; 可繼承)定義了一個可視地區，當前頁被顯示或列印的時候，它的內容會被這個地區裁剪。預設值就是 MediaBox。
 
BleedBox

 
 rectangle
 (可選) 定義了一個地區，當輸出裝置是個生產環境（ production environment）的時候，頁面顯示的內容會被裁剪。預設值是 CropBox.
 
Contents
 stream or array
 (可選) 描述頁面內容的流。如果這個欄位預設，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，實際效果相當於所有的流是按順序連在一起的一個流，這就允許PDF產生的時候可以隨時插入圖片或其他資源。流之間的分割只是詞彙上的一個分割，並不是邏輯上或者組織形式的切割。
 
Rotate
 integer
 (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)定義當前頁的縮圖。
 
Annots
 array
 (可選) 和當前頁面關聯的注釋。
 
Metadata
 stream
 (可選) 當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

 

（2）Outlines欄位

Outline是PDF裡面為了方便使用者從PDF的一部分跳轉到另外一部分而設計的，有時候也叫書籤（Bookmark），它是一個樹狀結構，可以直觀的把PDF檔案結構展現給使用者。使用者可以通過滑鼠點擊來開啟或者關閉某個outline項來實現互動，當開啟一個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隱藏。並且，在點擊的時候，閱讀器會自動跳轉到outline對應的頁面位置。Outlines包含一下幾個欄位：

      

KEY
 TYPE
 VALUE
 
Type
 name
 (可選)如果這個欄位有值，則必須是Outlines。
 
First
 dictionary
 (必須;必須是間接對象) 第一個頂層Outline item。
 
Last
 dictionary
 (必須;必須是間接對象)最後一個頂層outline item。
 
Count
 integer
 (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、目的地區域等等。一個outline item主要有一下幾個欄位：

Title
 text string
 (必須)當前item要顯示的標題。
 
Parent
 dictionary
 (必須;必須是間接對象) outline層級中，當前item的父物件。如果item本身是頂級item，則父物件就是它本身。
 
Prev
 dictionary
 (除了每層的第一個item外，其他item必須有這個欄位;必須是間接對象)當前層級中，此item的前一個item。
 
Next
 dictionary
 (除了每層的最後一個item外，其他item必須有這個欄位;必須是間接對象)當前層級中，此item的後一個item。
 
First
 dictionary
 (如果當前item有任何子節點，則這個欄位是必須的;必須是間接對象) 當前item的第一個直接子節點。
 
Last
 dictionary
 (如果當前item有任何子節點，則這個欄位是必須的;必須是間接對象) 當前item的最後一個直接子節點。
 
Dest
 name,
byte string, or array
 (可選; 如果A欄位存在，則這個不能被會略)當前的outline item被啟用的時候，要顯示的地區。
 
A
 dictionary
 (可選; 如果Dest 欄位存在，則這個不能被忽略)當前的outline item被啟用的時候，要執行的動作。

（3）URI欄位

URI（uniform resource identifier)，定義了文檔層級的統一資源識別項和相關連結資訊。目錄和文檔中的連結就是通過這個欄位來處理的。

 

（4）Metadata欄位

文檔的一些附帶資訊，用xml表示，符合adobe的xmp規範。這個可以方便程式不用解析整個檔案就能獲得檔案的大致資訊。

 

（5）其他

Catalog字典中，常用的欄位一般有以下一些：

欄位
 類型
 值
 
Type
 name
 (必須)必須為Catalog。
 
Version
 name
 (可選)PDF檔案所遵循的版本號碼（如果比檔案頭指定的版本號碼高的話）。如果這個欄位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產生程式可以通過更新這個欄位的值來修改PDF檔案版本號碼。
 
Pages
 dictionary
 (必須並且必須為間接對象)當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對應關係。
 
Names
 dictionary
 (可選)文檔的name字典。
 
Dests
 dictionary
 (可選;必須是間接對象)name和相應目標對應關係字典。
 
ViewerPreferences
 dictionary
 (可選)閱讀參數配置字典，定義了文檔被開啟時候的行為。如果預設，則使用閱讀器自己的配置。
 
PageLayout
 name
 (可選) 指定文檔被開啟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
 name
 (可選) 當文檔被開啟時，指定文檔怎麼顯示

UseNone  目錄和縮圖都不顯示

UseOutlines 顯示目錄

UseThumbs  顯示縮圖

FullScreen  全螢幕模式，沒有菜單，任何其他視窗

UseOC     顯示Optional content group 面板

UseAttachments顯示附件面板

預設值: UseNone.
 
Outlines
 dictionary
 (可選；必須為間接對象)文檔的目錄字典
 
Threads
 array
 (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) 指定一個地區或一個action，在文檔開啟的時候顯示（地區）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
 dictionary
 (可選)一個附加的動作字典，在全域範圍內定義了響應各種事件的action。
 
URI
 dictionary
 (可選)一個URI字典包含了文檔層級的URI action資訊。
 
AcroForm
 dictionary
 (可選)文檔的互動式form (AcroForm)字典。
 
Metadata
 stream
 (可選;必須是間接對象)文檔包含的中繼資料流。