PDF Explained（翻译）第二章 构建一个简单的PDF
PDF Explained（翻译）第二章 构建一个简单的PDF
本文是对PDF Explained(by John Whitington)第二章《Building a Simple PDF》的摘要式翻译。
本章我们将使用文本编辑器手动构建PDF内容。然后我们将使用 pdftk将其转换为有效的PDF文件，并在PDF查看器中进行查看。
关于PDFTK（THE PDF TOOLKIT）
pdftk是一个开源的命令行程序，它的功能有：
- 合并分割PDF文档
- 旋转PDF页面
- 加解密
- 填充PDF表单
- 加水印和图章
- 打印和修改PDF元数据（metadata）
- 添加附加
基本的PDF语法
PDF文件至少包含三种不同的语言:
- document content（文档内容），是由众多对象连接而成的有向图。这些对象描述了文档的结构（页面，元数据，字体和资源）。
- page content(页面内容），描述了一系列操作符，用于将文本和图形放在单一页面上。
- file structure（文件结构），包括header(文件头)，trailer(文件尾)和交叉引用表，帮助程序定位并读取文件内容。
文档内容（Document Content）
文档内容由以下元素构成的对象组成：
- 名称, 写作 /Name
- 整数，如 50
- 带括号的字符串，如 (The Quick Brown Fox)
- 对其他对象的引用，如 2 0 R，表示对对象2的引用。
- 对象数组（有序集合），如 [50 30 /Fred]，是一个包含三个元素的数组，顺序为：50, 30 和 /Fred。
- 字典(Dictionaries)（从名称到对象的无序映射），如 <</Three 3 /Five 5>>，将/Three映射为3，将/Five映射为5。
- 流（stream），它由字典和一些二进制数据组成。这些用于存储PDF图形运算符的流，以及其他二进制数据，如图像和字体。
例如，这是一个页面对象，它是一个包含许多元素的字典。
<< /Type /Page
/MediaBox [0 0 612 792]
/Resources 3 0 R
/Parent 1 0 R
/Contents [4 0 R]
>>这个字典包含五个条目：
- /Type /Page：/Page与字典中的key /Type相关联。
- /MediaBox [0 0 612 792]：由4个整数组成的数组[0 0 612 792]与字典中的key /MediaBox相关联。
- /Resources 3 0 R：3号对象与字典中的key /Resources相关联。
- /Parent 1 0 R：1号对象与字典key /Parent相关联。
- /Contents [4 0 R]：只包含一个元素的间接引用数组[4 0 R] 字典key /Contents 相关联。
页面内容（Page Content）
页面内容是一个运算符列表，每个运算符前面都有零个或多个 操作数。下例是一系列操作符，用于在当前位置放置文本，同时指定字体为/F0，字号36。
/F0 36.0 Tf
(Hello, World!) TjTf和Tj是操作符，/F0, 36.0以及(Hello, World!)是操作数。你会发现在页面内容和文档内容中有些元素的语法是一致的。
文件结构（File Structure）
文件结构包括：
- 文件头（header）:用于将文件标记为PDF文档。
- 交叉引用表: 列出了每个对象在文档中的字节偏移量–这 允许随机访问任意对象，而不必顺序读取。
- 文件尾(trailer): 包括交叉引用表的字节偏移，后面跟着文件结束标记。
文档结构（Document Structure）
除了上文所述的的文件结构，一个最简的PDF文档还必须包一些基本部分：
- 尾部字典(trailer dictionary): 提供信息，以方便读取文件中的其它对象。
- 文档目录(document catalog): 对象图的根节点。
- 页面树：包含了文档中的所有页面。
- 至少一个页面。页面中包括：资源（比如字体），页面内容（用于绘制文本和图形的指令）
构建元素
我们将PDF数据输入到文本文件中。 我们会跳过一些难以手动填充的信息，依靠pdftk来填充它。我们会：
- 使用简短的header。
- 忽略页面内容流的长度
- 省略几乎所有的交叉引用表
- 使用0表示交叉引用表的字节偏移量，以避免必须计数它手动。
文件头
文件头通常由两行组成。第一行将文件标识为PDF并给出版本号：
%PDF-1.1 //PDF version 1.1 header第二行很难输入文本编辑器，因为它包含不可打印的字符。 我们将它留给pdftk处理。
主要对象
下面来看页面的主体–对象。首先是页面列表，它是一个字典，链接了文档中的所有页面对象。
1 0 obj //Object 1
<< /Type /Pages //It's a page list
/Count 1 //There is one page
/Kids [2 0 R] //页面对象编号列表。这里只有2号对象
>>
endobj //End of object 1接下来是页面，它同样是一个字典。它包含纸张大小，以及对页面列表，图形内容和资源的间接引用。
2 0 obj
<< /Type /Page //It's a page
/MediaBox [0 0 612 792] //Paper size is US Letter Portrait (612 points by 792 points)
/Resources 3 0 R //Reference to resources at object 3
/Parent 1 0 R //指向页面列表(父节点)
/Contents [4 0 R] //Graphical content is in object 4
>>
endobj只有一个资源条目，字体字典，它包含了一种字体，我们将用它在页面上写一些文本。
3 0 obj
<< /Font //The font dictionary
<< /F0 //Just one font, called /F0
<< /Type /Font //这三行引用了内建字体Times Italic
/BaseFont /Times-Italic
/Subtype /Type1 >>
>>
>>
endobj图形内容
页面内容流包括了一系列操作符，用于在页面上放置文本和操作符。它们被链接到了页面字典中的 /Contents条目。
流对象由一个字典和其后的原始数据流组成，包含了一系列操作答和操作数。通常这些内容会被压缩以减少文件大小，但我们是手动输入的，不去压缩它。我们还需要指明流的长度（字节为单位）–pdftk会将所需的/Length条目写入流字典。
4 0 obj //The page content stream
<< >>
stream //Beginning of stream
1. 0. 0. 1. 50. 700. cm //Position at (50, 700)
BT //Begin text block
/F0 36. Tf //Select /F0 font at 36pt
(Hello, World!) Tj //Place the text string
ET //End text block
endstream //End of stream
endobj上面的图形操作流在页面呈现的结果如下
目录，交叉引用表和文件尾(Trailer)
文件的最后一部分由文档目录开始，它是对象图(译者注：参看“文档结构”小节中的图示)的根对象。
接下来是交叉引用表，它给出了每个对象在文件中的字节偏移量。 我们让pdftk来填写此内容。
最后两行：一行给出交叉引用表起始位置的字节偏移量（我们写0让pdftk来计算它）。最后是文件结束标记%%EOF。
5 0 obj
<< /Type /Catalog //The document catalog
/Pages 1 0 R //Reference to the page list
>>
endobj
xref //交叉引用表的开头，我们可以略过这部分
0 6
trailer
<< /Size 6 //交叉引用表的行数(对象个数加1)
/Root 5 0 R //Reference to the document catalog
>>
startxref
0 //交叉引用表起始位置的字节偏移量, 我们设为0
%%EOF //End of file marker合成
源文件可以在此在线资源中找到。你也可以自己输入，将其保存为hello-broken.pdf。
例2-1: 适合手动创建的无效 hello-broken.pdf PDF 文件
%PDF-1.1 File header
1 0 obj Main objects
<< /Type /Pages
/Count 1
/Kids [2 0 R]
>>
endobj
2 0 obj
<< /Type /Page
/MediaBox [0 0 612 792]
/Resources 3 0 R
/Parent 1 0 R
/Contents [4 0 R]
>>
endobj
3 0 obj
<< /Font
<< /F0
<< /Type /Font
/BaseFont /Times-Italic
/Subtype /Type1 >>
>>
>>
endobj
4 0 obj Graphical content
<< >>
stream
1. 0. 0. 1. 50. 700. cm
BT
/F0 36. Tf
(Hello, World!) Tj
ET
endstream
endobj
5 0 obj Catalog, cross-reference table, and trailer
<< /Type /Catalog
/Pages 1 0 R
>>
endobj
xref
0 6
trailer
<< /Size 6
/Root 5 0 R
>>startxref
0
%%EOF我们可以使用pdftk来修复hello-broken.pdf文件，将输出写入hello.pdf：
pdftk hello-broken.pdf output hello.pdfpdftk读取文件及其对象，修补错误同时将缺失数据补全。生成的合法文件如示例2-2所示。
%PDF-1.1
%âãÏÓ //说明1
1 0 obj
<<
/Kids [2 0 R]
/Count 1
/Type /Pages
>>
endobj
2 0 obj
<<
/Rotate 0
/Parent 1 0 R
/Resources 3 0 R
/MediaBox [0 0 612 792]
/Contents [4 0 R]
/Type /Page
>>
endobj
3 0 obj
<<
/Font
<<
/F0
<<
/BaseFont /Times-Italic
/Subtype /Type1
/Type /Font
>>
>>
>>
endobj
4 0 obj
<<
/Length 65 //说明2
>>
stream
1. 0. 0. 1. 50. 700. cm
BT
/F0 36. Tf
(Hello, World!) Tj
ET
endstream
endobj
5 0 obj
<<
/Pages 1 0 R
/Type /Catalog
>>
endobj xref
0 6 //说明3
0000000000 65535 f
0000000015 00000 n
0000000074 00000 n
0000000192 00000 n
0000000291 00000 n
0000000409 00000 n
trailer
<<
/Root 5 0 R
/Size 6
>>
startxref
459 //说明4
%%EOF说明：
- 1: PDF头中添加了一些不可打印的字符–这可以确保 文件被传输程序（比如FTP等）识别为二进制文件（而不是文本）。
- 2: 写入了流的字节长度。
- 3: 交叉引用表已填入了每个对象的字节偏移量。
- 4: 写入了交叉引用表起始位置的字节偏移量。