PDF解析（一）
pdf1.7标准见http://www.adobe.com/content/dam/Adobe/en/devnet/acrobat/pdfs/pdf_reference_1-7.pdf
本文将在阅读pdf标准和研究poppler项目的代码之后的一些心得记录下来。
pdf文档的总体结构如下图所示，按照字节顺序依次是：
Header
Body
Cross-reference table
Trailer
pdf文件是从文件最后开始读的，我们以某一pdf为例：
示例pdf文档的地址在https://developer.apple.com/library/mac/documentation/Cocoa/Conceptual/AnimationGuide/AnimationGuide.pdf
这个pdf文件的最末端是：
startxref
174134
%%EOF
在pdf文件中存在一个交叉引用表（cross reference table）,这个表在pdf文件中非常重要，它的具体作用在后文介绍。
startxref下一行的数字174134是什么含义呢？这是一个十进制数字，它表示交叉引用表开始的位置，于是定位到文件中的174134字节
xref
0 264
0000000000 65535 f
0000159830 00000 n
0000160001 00000 n
0000069518 00000 n
0000168211 00000 n
0000168265 00000 n
0000170551 00000 n
0000170416 00000 n
0000170293 00000 n
0000169222 00000 n
…
在pdf_reference_1-7.pdf的3.4.3节中专门介绍了Cross-reference table的结构。
在 cross reference table的最后紧跟着的是Trailer。
trailer
<</Size 264
/Info 3 0 R
/Root 1 0 R
/ID[<6098D5A8656696149B31E51178B3DD1F><6098D5A8656696149B31E51178B3DD1F>]
>>
根据/Root 1 0 R在cross reference table中找到generation 为0，object number为1的entry。
就是
0000159830 00000 n
这个家伙。
0000159830 就是这个ref 对象在文件中的地址。定位到此处，把Root抓出来。
1 0 obj
<</Type/Catalog
/Pages 2 0 R
/PageLabels << /Nums [0 <</S/D>>] >>
/PageMode /UseOutlines
/OpenAction [22 0 R /FitV 0]
/Outlines 4 0 R
/Names 193 0 R
>>
endobj
这是一个类型是dictionary的对象。
在pdf_reference_1-7.pdf的3.2节中专门介绍了对象类型。
我感兴趣的是/Pages 2 0 R，在cross reference table中找到generation 为0，object number为2的entry。是
0000160001 00000 n
定位到第0000160001字节处
2 0 obj
<</Type/Pages
/Count 18
/Kids [ 195 0 R 196 0 R]
>>
endobj
可以看出这个pdf共有18页，/Kids [ 195 0 R 196 0 R]是一个Array类型，为什么count是18而却只有两个kids呢，按照前面的方法定位到 195 0 R对象
195 0 obj
<</Type/Pages
/Count 10
/Parent 2 0 R
/Kids [22 0 R 28 0 R 49 0 R 75 0 R 85 0 R 93 0 R 97 0 R 102 0 R 107 0 R 111 0 R ]
>>
endobj
发现195 0 R的Type 是Pages，猜测 196 0 R对象的Type也是Pages。
195 0 R对象的Count是10，猜测196 0 R对象的Count是8，加起来是18。
定位到 196 0 R对象
196 0 obj
<</Type/Pages
/Count 8
/Parent 2 0 R
/Kids [115 0 R 119 0 R 123 0 R 127 0 R 131 0 R 135 0 R 139 0 R 143 0 R ]
>>
endobj
发现猜测是正确的。
数了一下195 0 R对象的Kids里面对象的个数为10,其实这个个数不一定必须是10，也可以按照上面的方式像树一样组织。只要它的后代的总数为10就可以了。
至于为什么要将Pages组织成树结构？这种结构可以使得pdf标准的消费者程序，如pdf阅读器，仅仅耗费有限的内存，快速打开包含有上千页的pdf文档。
接下来看看具体的page对象是什么样子的，定位到Page Tree的叶子结点 22 0 R对象
22 0 obj
<</Type/Page
/Parent 195 0 R
/MediaBox [0 0 612 792]
/CropBox [0 0 612 792]
/BleedBox [0 0 612 792]
/TrimBox [0 0 612 792]
/Resources 25 0 R
/Contents [197 0 R 23 0 R ]
>>
endobj
没错，Type是Page，对于这个Page，MediaBox，CropBox，BleedBox的值都是相同的。
在pdf_reference_1-7.pdf中的10.10.1节 Page Boundaries详细介绍了每种Box的具体含义。
继续追寻这个pdf page的具体内容，从/Contents [197 0 R 23 0 R ]这一项开始。
找到 197 0 R 对象，由于这个对象当中有一段FlateDecode的Stream，如果用文本显示的话会出现乱码，所以我截了一个在HexEdit中打开的图。
找到 23 0 R对象
由于Stream里面的内容是经过编码的，所以需要通过一些手段将这里面的内容进行解码。
时间不早了今天就写到这里，未完待续。
