PDF文件结构(二)
PDF文件结构(二)
————逻辑结构
作者:bobob
邮件:zxbbobob@hotmail.com
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。 |