PDF新晋开发者须知

Posted 2021-07-15 ball球

本文是对What new PDF developers need to know的摘要式翻译，同时加入了一些自己的理解。

不要将PDF文件当作“文件”

当你开始学习html时，你可以使用文本编辑器打开一个文件，修改它，然后看看发生了什么。但是你无法对一个PDF文件这样做。 PDF文件本质上是一个二进制数据结构，许多信息是无法直接看到的。哪怕你只修改了其中一个字节都有可能破坏整个文件。

PDF即对象（object）

PDF文件中包含了大量PDF对象（PDF object）。

每个对象有唯一的ID，ID格式如下：

number generation R

• number: 数字编号，1，2，3，4之类
• generation: 第几代？(我也不知道该怎么翻译恰当。)用来表示某个编号被重用的次数，通常为0。那么何时不为0呢？比如一个对象本来为2 0 R(number:2, generation:0), 它被删除了，接着文档中又要插入一个新对象。这时number 2是空闲号码，如果想使用它，就要给新对象赋予ID：2 1 R(number不变，generation加1)。关于此点，在后面讲述xref结构时还会提到。
• R：固定命令字

来一段PDF片段，让你有个感性认识

%PDF-1.4
1 0 obj <</Type /Catalog /Pages 2 0 R>>
endobj
2 0 obj <</Type /Pages /Kids [3 0 R] /Count 1>>
endobj
3 0 obj<</Type /Page /Parent 2 0 R /Resources 4 0 R /MediaBox [0 0 500 800] /Contents 6 1 R>>
endobj
4 0 obj<</Font <</F1 5 0 R>>>>
endobj
5 0 obj<</Type /Font /Subtype /Type1 /BaseFont /Helvetica>>
endobj

有许多不同类型的对象：

• Page Object：描述特定的页面
• Font Object：包含了特定字体的信息
• Form Object：交互式表单（类似HTML的form）

对象中可以引用其它的对象，比如页面对象5 0 R可能引用了资源对象（Resource Object）10 0 R，该资源对象又包括了页面需要的字体对象列表：16 0 R， 17 0 R， 18 0 R。

文档中的对象们可以被想像为一棵树。PDF的根对象（root object）指向页面列表，每个页面指向它们自身所需的资源和内容。

两个看起来一样的PDF其内部可能差异巨大

PDF规范是非常宽泛的，实现同一个目标的方法可以是多种多样的。

PDF中的图片是被“撕裂”的

PDF中的图片被拆解为像素和颜色，以方便它们可以被高效的压缩。JPEG图片很可能使用JPEG压缩格式（DCTDecode或JPXDecode）存储，但它仍需要颜色信息。

必不可少的参考资料 – PDF参考指南

手册非常的庞杂，建议初学者从文件格式概要以及你需要了解的具体部分开始入手。

手册中有很多列子，但你也可以使用其它方式实现。

手册在这里，注意是1.4版本的哦。

PDF是其它技术的集合

PDF使用了大量其它技术，包括压缩算法，加密，字体，javascript等等。这使得搞懂PDF难上加难，因为你需要了掌握上面所有的技术。

使用工具

各种平台上都有不同的工具，支持不同的语言(C,JAVA,PERL,php等等)。这使得操作PDF更加便利。使用工具做一些实验，或者读读源码对你了解PDF会非常有帮助。

成为PDF专家并非一朝一夕之事