PDF文件格式的一些研究心得

现在让我简要介绍一下PDF的文件格式，PDF的文件格式说明，最权威的就是Adobe官方网上的PDFReference，纯英文版的，一千多页，个人认为对于国内的开发者做PDF的生成的时候，最大的困难就在这里了，一个是没有充足的时间去看，二个一看满篇的英文基本上就头大。我只看了三分之一左右，看了整体描述和有针对性地看了一些，必竟HTML转PDF的时候，有不少的东西是用不着的。现在我介绍一下PDF格式的一些要点：
一、PDF文件是一种文本和二进制混排的格式，但是Adobe更愿意让人把它当成二进制的文件，所以在里面建议当文件里面的文本太多的时候，可以加一些二进制的注释，好让现有的一些编译器把它当成二进制文件。里面的文本主要是对文件结构的一种描述，二进制的内容来自于三个方面：1、图片；2、字体；3、压缩后的Post Script。
二、文件结构可以分为三方面：
1、首部。用文本编辑器打开的时候就可以看到：%PDF-1.4 这样的字眼，其中最后一位就是PDF文件格式版本号，软件的版本号总要比文件格式的版本号高1，比如说Read 5能打开的内容就是4。
2、文件体。里面有若干个的obj，以及xref来组成，OBJ这种形式：
30979 0 obj
<<
/Linearized 1
/O 30982
/H [ 15061 25084 ]
/L 9379963
/E 166967
/N 978
/T 8760262
>>
endobj 
第一个数字就是这个OBJ的顺序号，是为了便于在xref中查找，后面的0是为了区分不同的OBJ，现在都是0（个人感觉是为了以后扩展用的）后面就是关键字obj.下面的各行就是属性，/关键字 值 的形式。
xref是obj的索引表，用来索引各个obj在文档中的起始位置，它的形式是：
xref
0 211
0000000000 65535 f
0000000009 00000 n
……
0000087999 00000 n

trailer
<<
/Size 211
/Root 2 0 R
/Info 1 0 R
/ID [<B29FBB52459C4623DB1A90CBFC28381E><B29FBB52459C4623DB1A90CBFC28381E>]
>>
其中0,211分别代表这个xref的obj的起始和终止序号。其中0这个是估计是为了程序中好处理所以加了这个（个人英文水平不行，有些地方看不明白），可以不加入这个。下面的各行就代表各个obj在这个文档的起始位置，其中第一串字符（10个）代表起始位置，中间的五个字符也是为了区分用的，现在基本上全为0， 后面的字母有两种f代表删除的，n代表要使用的。后面的trailer是对整个xref的摘要，说明里面有多少个OBJ，读的时候从哪个OBJ开始解析，信息节点等，ID是为了让一些文件检索工具能够唯一区分文件。
3、文件尾。
startxref
88019
%%EOF
因为一个文档中可以有多个xref，所以这里要指明要从哪个xref开始进行解析这个文件。
从上面的分析来看：PDF文件内部校验是很复杂的，只要里面有一位错位了，就会导致整个文档读取错误。而且它时硕会有不少的二进制内容，所以一般来说在内存里面存储的时候，用流对象，而不能用字串，特别是生成的时候，每加入一个obj的时候，去获取一下当前流的长度就可以得到每个obj的起始位置，同时把获取的这些位置存到ArrayList里面，这样就可以很方便地得到和内容相一致的xref了。
三、PDF里面对象的组成形式，可以说是用树形结构来相互关联的，驵下面挂页集合，页集合下面挂页，页里挂图片，链接，内容等
四、PDF里面的obj的类型主要有以下几种：
1、文件描述对象，用来描述这个文件的标题，作者，时间等
2、组对象，也就是文档内容的起始结点。Type 为Catalog
3、页集合，里面聚合了大量的页对象。  Type 为pages
4、页对象，里面指明了当前页里面用到的字体，内容，活动对象，图片等。Type 为page
5、活动对象，有链接，文字，声音，电影等，Type 为Annots
6、图片对象， Type 为 XObject
7、字体对象，Type 为 Font 。PDF可以内置字体，所以即使目标机器上没有，只要它内置了，也可以正常地显示，不受影响（内置字体，这个我还没有研究清楚，希望知道的人可以告诉我一下，这里先谢了）
8、流对象。所有的二进制内容都是存在这个对象里面，文件流的常见的压缩方式是：图片的一些压缩算法，FlateDecode,ASCIIHexDecode,ASCII85Decode等等，FlateDecode事实上就是ZIP的压缩算法（关这个，我就花了好长的时间去研究）。流对象的长度是关连到一个长度对象上的/Length  188 0 R这种形式。188就是存这个长度的OBJ的顺序号。
9、数字对象。
188 0 obj
2538
endobj
里面只有一个数字，经常用来表示长度，为什么要把长度还要再用对象来表示，这个到现在我也想不太明白。
以上就是我对PDF文件格式的理解的摘要。也许有些地方可能理解得不正确，希望得到大家的指正。