PDF学习三 PDF文件逻辑结构

本文转自: https://blog.csdn.net/u012632138/article/details/80648760

说明：

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。

PDF reference 1.7.pdf 中3.6节。

目标：

掌握PDF树型结构，掌握从Root到Page Content解析流程。

Catalog根节点

Catalog是整个PDF逻辑结构的根节点，是通过trailer的Root字段定位，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，这里仅列了Pages做个说明。

完整的可查看 PDF reference1.7.pdf Page 137。

以下是Catalog 字典

3 0 obj                % 根据Root中指定的间接引用对象号找到Catalog字典
<<
/Type /Catalog    % 指定类型是Catalog，区分大小写 
/Pages 1 0 R      % 指向页面树的跟节点
>>

endobj                % 对象结束关键字

Page Tree 根节点

1 0 obj             % 根据Catalog字典中Pages指定的间接引用对象号找到Pages字典
<<
/Type /Pages
/Kids [2 0 R]    % 该Page Tree节点下的子节点，可以是Page字典，也可以是其他Page Tree节点           
/Count 1          % 该文档的页面数，1说明文档只有1页。
>>

endobj

Page 字典

2 0 obj                                   % Page 字典
<<
/Type /Page 
/Parent 1 0 R                         % parent page tree node
/MediaBox [0 0 612 792]       % page size (612x792 points)
/Contents 4 0 R                     % content stream
/Resources <<                       % resource dictionary
/Font <<                                 % font list
/Font1 5 0 R>>
 >> >>

endobj

Contents字典

4 0 obj                                   % the page content stream
<<
/Length 0                              % should be byte length of the stream data. 
                                             % We use 0 here for convenience.
>> stream

% Text example: draw "Hello World!" text

BT                                        % begin text object
/Font1 10 Tf                         % set font to /Font1, font size to 10 points
100 700 TD                         % move text position to 100,700
(Hello World!) Tj                  % output the text
ET                                        % end text object

endstream
endobj

Resources字典

这个例子中包含的是font字典

5 0 obj                                 % a font dictionary. 
                                            % This is a base-14 font, so only a few data is required.
<<
/Type /Font
/Subtype /Type1
/BaseFont /Helvetica
>>
endobj

页面继承

看下图，例如Rotate属性可以从page 父节点中继承。

Caption

 

Name Dictionary

PDF文件中的一些对象类型可以被名称引用而不是被对象引用。名称和对象之间的对应是通过文档的名称字典（PDF1.2）建立的，通过Names选项定位在文档目录册中（参看3.6.1部分，“文档目录册”）。在这个字典中的每个选项指派一个名称树结构的根节点(参看3.8.5部分，“名称树”)。

后记：

Catalog中还有许多其他条目，例如：Outline、OpenAction、PageLabels、OpenAction、AA、AcroForm，大家对哪个感兴趣，可留言给我。

问题汇总：

1）Q：Catalog指向的Pages root节点中的Count数是表示该文档的所有页面吗？

A：是的，是该文档的页面总数。PDF中说明：(Required) The number of leaf nodes (page objects) that are descendants of this node within the page tree.

2）Q：Points单位

1 Points = 1/72 inch

屏幕 1 inch = 96 pixel

PDF中Points 坐标转换为屏幕pixel。 例如页面宽为w：w*96/72 得出在屏幕上显示的值。

3）Q：PDF单位能换吗？例如可以将Points换为inch吗？

A：PDF单位只能是Point，1/72 inch。在Page 对象中有UserUnit，可以设置用户空间单位，默认是1。可以设置为2，相当于整个坐标系放大2倍，例如 10*10的矩形框，在UserUnit 为2的里面相当于20*20的矩形框。

/UserUnit 2