IYATT-yx 的博客

ideology and talent - 引序

PDF 文件结构【编辑中】

By IYATT-yxPosted on Posted in 所有, 闲暇探索
阅读量： 14

最近更新于 2025-06-07 22:09

前言

2025.6.3
上个月在某个网站下载了某盗版国标PDF文件，文件中添加了很多链接，随便点击一处都会跳转，很烦人。我就较劲研究了一下，找到了链接的存在形式，写了一个小工具来自动移除链接，并把这个项目开源了。只是这个项目适用性有点窄，不久就有网友联系说不适用他遇到的情况。
file

上周末，我简单的研究了下，Acrobat 都识别不到里面嵌入的链接对象，后面对方告知用 WPS PDF 时可见，手动删除链接可以。我反复折腾还是没有有效的方法通过编程识别到链接并实现移除，我对 PDF 文件结构也不了解，搞得很懵逼了。现在准备熟悉一下 PDF 文件结构，这样或许有望解决遇到的问题。

参考：

测试环境

Python 3.13.1
pikepdf 9.8.1

PikePDF 是一个底层 PDF 操作库，基于 C++ 的 QPDF 库。

基本理解

PDF 本身是一个结构化的文本文件，就像 json、xml、yaml 这些一样，除了文本部分，还可以存储一些二进制数据在里面，只是一般阅读 PDF，是看的阅读器渲染好的图像，而不是去看一团“代码”一样的原始文档。

下面写一段代码创建一个简单的 PDF，只显示 hello world

Python

from pikepdf import Pdf, Dictionary, Name, Stream

# 创建一个新的 PDF 文档
pdf = Pdf.new()

# 添加一个空白页面
page = pdf.add_blank_page(page_size=(595, 842))  # A4 纸大小

# 设置页面的内容
# BT 开始文本对象
# Tf 设置字体和字号，字体用 F1，字号 18
# Td 将文本矩阵的当前位置移动到指定的水平和垂直偏移量。240 水平偏移量，700 垂直偏移量
# Tj 显示文本。文本内容：Hello World
# ET 结束文本对象
page.Contents = Stream(pdf, b"""
BT
/F1 18 Tf
240 700 Td
(Hello World) Tj
ET
""")

# 添加字体资源
# 字体定义为 F1
# 字体子类型为 Type1
# 字体基础名称 Helvetica
page.Resources = Dictionary(
    Font=Dictionary(
        F1=Dictionary(
            Type=Name("/Font"),
            Subtype=Name("/Type1"),
            BaseFont=Name("/Helvetica")
        )
    )
)

# 保存 PDF 文件
pdf.save('hello_world.pdf')

创建的文件用 Edge 浏览
file

以纯文本的方式打开 PDF 文件就能看到原貌，有部分是明码，还有部分乱码，其实就是二进制数据

%PDF-1.3
%亏
1 0 obj
<< /Pages 2 0 R /Type /Catalog >>
endobj
2 0 obj
<< /Count 1 /Kids [ 3 0 R ] /Type /Pages >>
endobj
3 0 obj
<< /Contents 4 0 R /MediaBox [ 0 0 595 842 ] /Parent 2 0 R /Resources << /Font << /F1 << /BaseFont /Helvetica /Subtype /Type1 /Type /Font >> >> >> /Type /Page >>
endobj
4 0 obj
<< /Length 53 /Filter /FlateDecode >>
stream
x溿r
嵋w3T0 I?21P070I嵋餒蜕 ?蔍 赦r
?滠
?endstream
endobj
xref
0 5
0000000000 65535 f
0000000015 00000 n
0000000064 00000 n
0000000123 00000 n
0000000300 00000 n
trailer << /Root 1 0 R /Size 5 /ID [<ee5d509761ba5ef60d74840dbaff2a03><ee5d509761ba5ef60d74840dbaff2a03>] >>
startxref
424
%%EOF

这个 PDF 文件由文件头、对象定义、交叉引用表、文件尾组成

文件头

%PDF-1.3
%亏

文件头表明了 PDF 遵循的版本，比如这里是 1.3 版。第 2 行以 % 开头的是注释行，创建 PDF 的软件添加的信息，不影响 PDF 显示内容。

对象定义

每一个对象定义都是由下面格式组成

对象编号 世代编号 obj
对象内容
endobj

每个对象有一个编号，世代编号相当于这个对象的版本，对象编号和世代编号可以确定文件中唯一的对象

这个 PDF 有 4 个对象：
①第一个：

  • << >> 表面这是一个字典，用于存储键值对
  • /Pages 2 0 R：表示这个对象引用了对象编号为 2 ，世代编号为 0 的对象，R表示引用
  • /Type /Catalog：表示这是一个目录对象，目录对象是PDF文件的顶级对象，它包含了对页面树的引用以及其他一些文档级别的信息
1 0 obj
<< /Pages 2 0 R /Type /Catalog >>
endobj

②第二个：

  • /Type /Pages：页面树节点对象
  • /Kids [ 3 0 R ]：页面树节点的子节点对象。[ ] 是一个列表，包含一个对象引用，引用了对象编号为 3，世代编号为 0 的对象。
  • /Count 1：从这个页面树节点开始，所有子节点包含的页面总数为 1
2 0 obj
<< /Count 1 /Kids [ 3 0 R ] /Type /Pages >>
endobj

③第三个：

  • /Contents 4 0 R：表示这个页面的内容流存储在编号为 4，世代号为 0 的对象中
  • /MediaBox [ 0 0 595 842 ]：页面尺寸。左下角坐标(0,0)，右上角坐标(595,842)。单位通常是点（1点=1/72英寸）
  • /Parent 2 0 R：表示这个页面对象的父节点是编号为2的页面树节点
  • /Resources：定义了页面使用的资源。/Font：定义了页面使用的字体。/F1：定义了一个字体对象，命名为F1。/BaseFont /Helvetica：表示这个字体是Helvetica字体。/Subtype /Type1：表示字体的子类型是Type1字体。/Type /Font：表示这是一个字体对象。
  • /Type /Page：表示这是一个页面对象。
3 0 obj
<< /Contents 4 0 R /MediaBox [ 0 0 595 842 ] /Parent 2 0 R /Resources << /Font << /F1 << /BaseFont /Helvetica /Subtype /Type1 /Type /Font >> >> >> /Type /Page >>
endobj

④第四个：
这是一个流对象

  • /Filter /FlateDecode：使用了 FlateDecode 过滤器进行压缩
  • /Length 53：未压缩的长度为 53
  • stream 和 endstream 之间的就是压缩后的流数据（二进制数据）
4 0 obj
<< /Length 53 /Filter /FlateDecode >>
stream
x溿r
嵋w3T0 I?21P070I嵋餒蜕 ?蔍 赦r
?滠
?endstream
endobj

交叉引用表

xref 开头就是交叉引用表，可以用来快速定位对象

  • 0 5：表示对象从编号 0 开始共 5 个对象
  • 0000000000 65535 f：0000000000 表示对象编号 0 对象偏移量为 0，65535 是一个特殊标记，f 表示为自由对象（已经被删除或不再使用的对象），对象 0 应该是早期的历史遗留，为了保持兼容还是从 0 开始。
  • 0000000015 00000 n：0000000015 表示对象编号 1 对象偏移量为 15，n 表示已使用对象，00000 是对象的世代号
    ……
xref
0 5
0000000000 65535 f
0000000015 00000 n
0000000064 00000 n
0000000123 00000 n
0000000300 00000 n

文件尾

trailer 表示文件尾开始

  • /Root 1 0 R：表示文件的目录对象是编号为1的对象
  • /Size 5：表示文件中共有5个对象
  • /ID：表示文件的唯一标识符，这里有两个相同的标识符，用于标识文件的版本
  • startxref：表示交叉引用表的起始位置
  • 424：交叉引用表的起始位置是文件的第424字节
  • %%EOF：表示文件的结束
trailer << /Root 1 0 R /Size 5 /ID [<ee5d509761ba5ef60d74840dbaff2a03><ee5d509761ba5ef60d74840dbaff2a03>] >>
startxref
424
%%EOF

PDF 中对象类型

整数和整数

整数写为一个或多个十进制数字，符号可选

0 +5 -5 5

实数被写为一个或多个十进制数字，可选地前面带有加号或减号， 并且可选的有一个小数点

0.0 0. .0 -0.002 123.4

字符串

字符串用小括号（英文符号，下同）括起来

(我是一个字符串)

转义字符使用反斜杠，要表示反斜杠自身或小括号，前面需要加反斜杠转义。
一些转移字符：

字符序列 含义
\n 换行
\r 回车
\t 水平制表符
\b 退格
\f 换页符
\ddd 三个八进制数字的字符代码

十六进制字符串

使用<>括十六进制数字序列，如 < 0A2B34FF> 表示 0x0A、0x2B、 0x34、0xFF 四个字节，即俩俩算一个字节

名称

名称以斜杠开头，作为字典的键和定义各种多值对象

/Age
/Name

可以使用＃加两位十六进制数字，引入 ASCII 字符

/My#20/Name

十六进制数 0x20 对应的字符是空格，即实际这个名称是

/My Name

布尔值

值可以为 true 和 false，常用于字典中作为标志

数组

数组用中括号括起来，有序集合，数组中子元素可以不是同一类型
比如下面的数组包含了三个元素：/red、/blue 、[123 4.5]，第三个元素又是一个数组，这个数组包含 123 和 4.5 两个元素。

[/red /blue [123 4.5]]

字典

表示键值对的无序集合，用两层尖括号括起来<<>>
下面的例子将 /one 映射到 1，/two 映射到 2，/three 映射到 3

<</one 1 /two 2 /three 3>>

引用

引用格式为

对象编号 世代编号 R

流和过滤器

流用于存储二进制数据。它们由字典和一大块二进制数据组成。 字典根据流所放置的特定用途列出数据的长度，以及可选的其他参数。
从语法上讲，流由字典组成，后跟stream关键字， 换行符（或 ），零个或多个字节的数据， 另一个换行符，最后是endstream关键字。
压缩方法：

方法名称 描述
/ASCIIHexDecode 为压缩数据中的每对十六进制数字生成一个字节的未压缩数据。>表示数据结束。空格被忽略。这个过滤器和/ASCII85Decode旨在将数据减少到7位
——/ASCII85Decode更复杂，但更紧凑
/ASCII85Decode 这种7位编码格式使用可打印的字符从 ! 到 u 和 Z。（译者注：即通过五个ASCII字符来表示四个字节的二进制数据。）~>标识数据结束
/LZWDecode 实现Lempel-Ziv-Welch压缩，如TIFF图像格式所使用
/FlateDecode Flate压缩，由开源zlib库使用。在RFC 1950中定义。/LZWDecode和/FlateDecode都可以在流字典中具有预测变量，它们定义数据的后处理以反转在压缩时完成的预处理
/RunLengthDecode 一个简单的基于字节的游程压缩器
/CCITTFaxDecode 实现传真机使用的第3组和第4组编码。适用于单色（位深度为1）图像，不适用于一般数据
/JBIG2Decode 一种更现代，更好的压缩机制，适用于与/CCITTFaxDecode一起使用的各种数据，但也适用于灰度和彩色图像和一般数据。实现JBIG2压缩方法
/DCTDecode JPEG有损压缩。整个JPEG文件可以放在这里，包括JPEG文件头
/JPXDecode JPEG2000有损和无损压缩。仅限于JPX基准功能集，但有一些例外
PDF 文件结构【编辑中】
Scroll to top

目录

← 打开目录