PDF 文件结构详解与示例

一、PDF 文件的核心结构

PDF（Portable Document Format，便携文档格式）是跨平台结构化二进制格式，核心目标是 “保持文档原始排版不变”，其结构由顶层四大组件和内容层级体系构成，解析器按固定逻辑读取。

（一）顶层结构：解析器的 “导航地图”

graph LR;
    A(文件头 Header)-->B(文件体 Body);
    B-->C(交叉引用表 XRef);
    C-->D(文件尾 Trailer);
    D-->E(EOF标记);

作用：声明 PDF 版本、区分文本文件，避免解析器误判。
格式：首行%PDF-版本号（如%PDF-1.7，主流版本 1.7/2.0），后接 1-4 个非 ASCII 字符（如%âãÏÓ）验证二进制解析支持。
版本兼容性：高版本（如 1.7）可能含低版本（如 1.5）不支持特性（如透明图层），解析器依版本启用兼容模式。

2. 文件体（Body）：内容核心

存储所有文档内容（文本、图像、字体等），最小单元为 “对象”，结构 =“多个对象 + 自由对象链表”。

（1）对象分类：间接对象与直接对象

类型	定义	结构特征	用途
间接对象	可全局引用的独立对象	`对象号生成号 obj ... endobj`	存储页面、字体等核心资源
直接对象	嵌入其他对象，不可单独引用	无固定标记，直接作为值存在	字典键值、数组元素（如页面大小）

间接对象示例（页面对象）：

3 0 obj          % 对象号=3，生成号=0（未修改）

<< /Type /Page   % 类型为“页面”

&#x20;  /Parent 2 0 R % 引用对象2（Pages节点）

&#x20;  /MediaBox \[0 0 612 792] % A4尺寸（8.5×11英寸，1英寸=72点）

&#x20;  /Contents 4 0 R % 引用对象4（内容流）

&#x20;  /Resources << /Font << /F1 5 0 R >> >> % 引用对象5（字体）

\>>

endobj

注：2 0 R为间接引用格式（对象号生成号 R，R=Reference）。

（2）核心对象类型（8 种）

对象类型	格式示例	用途说明
字典（Dict）	`<< /Key1 Value1 /Key2 Value2 >>`	存储结构化数据（页面属性、资源列表）
数组（Array）	`[1 2 3 /Name (String)]`	存储有序集合（页面列表、坐标）
流（Stream）	`<< /Length 100 >> stream ... endstream`	存储二进制数据（图像、字体）
字符串（String）	`(Hello PDF)` 或 `<48656C6C6F>`	存储文本（括号明文，尖括号十六进制）
名称（Name）	`/Type` 或 `/Font`	标识字典键（/ 开头，区分大小写）
数字（Number）	`123` 或 `-45.6`	存储数值（坐标、字体大小）
布尔值（Boolean）	`true` 或 `false`	存储逻辑值（是否显示注释）
空值（Null）	`null`	表示无值（未定义资源）

流对象特殊说明：需与字典配合，字典含/Length（流字节数）和/Filter（压缩算法，如/FlateDecode）。

3. 交叉引用表（XRef）：快速定位工具

记录所有间接对象的 “文件偏移量”（字节位置），避免解析器逐行扫描，格式如下：

xref

0 6  % 段1：起始对象号=0，条目数=6（对象0\~5）

0000000000 65535 f  % 对象0：偏移0，生成号65535，f=自由对象

0000000010 00000 n  % 对象1：偏移10，生成号0，n=已使用对象

对象号 0：特殊条目，指向自由对象链表，供修改时复用。
偏移量：对象在文件中的字节位置，解析器可直接跳转。

4. 文件尾（Trailer）与 EOF 标记：解析入口

解析器优先读取文件末尾的 EOF 标记，再通过 Trailer 找到核心信息。

Trailer 格式：

trailer

<< /Size 6          % XRef总条目数

&#x20;  /Root 1 0 R       % 文档根对象（Catalog）引用

&#x20;  /Info 6 0 R       % 元数据引用（可选）

&#x20;  /Encrypt null     % 加密信息（null=未加密，可选）

\>>

startxref

512                 % XRef偏移量（文件中XRef的字节位置）

%%EOF                % EOF标记（必选，缺失则文件损坏）

核心关键字：/Size（XRef 条目数）、/Root（Catalog 引用，内容入口）、/Encrypt（加密开关）。

（二）内容层级结构：从根到页面

解析器通过 Trailer 找到/Root（Catalog）后，按Catalog → Pages Tree → Page → Contents/Resources读取内容，高效管理页面。

1. 文档目录（Catalog）：内容总入口

字典对象，含所有顶级内容引用，核心关键字：

关键字	用途	示例值
`/Type`	声明类型为 Catalog	`/Catalog`
`/Pages`	指向 Pages Tree 根节点	`2 0 R`
`/Outlines`	指向文档大纲（可选）	`7 0 R`
`/AcroForm`	指向表单（可选）	`8 0 R`

2. 页面树（Pages Tree）：页面管理体系

树形结构（Pages节点→Page节点），高效处理多页面：

Pages 节点：页面组，含子 Pages/Page 节点，关键字/Kids（子节点列表）、/Count（子节点总数），示例：

2 0 obj

<< /Type /Pages

&#x20;  /Kids \[3 0 R 10 0 R]  % 2个子Page节点（对象3、10）

&#x20;  /Count 2              % 总页数2

\>>

endobj

Page 节点：具体页面，含大小、内容流、资源（见前文间接对象示例）。
优势：插入 / 删除页面仅修改/Kids列表，无需移动所有页面对象。

3. 页面内容（Contents）：文本与图形指令

Page 节点的/Contents指向内容流（Stream 对象），含 PostScript 风格指令，示例（文本绘制）：

4 0 obj

<< /Length 128 /Filter /FlateDecode >>

stream

BT                      % 开始文本模式（Begin Text）

/F1 12 Tf               % 字体F1，字号12

100 700 Td              % 文本位置（X=100，Y=700，左下角为原点）

(Hello, PDF!) Tj        % 绘制文本（Tj=Text Show）

ET                      % 结束文本模式

endstream

endobj

指令规则：操作数 + 运算符（如12 Tf，12 = 操作数，Tf = 运算符）。

4. 页面资源（Resources）：依赖 “素材库”

Page 节点的/Resources字典存储字体、图像等资源，避免重复，示例：

<< /Font << /F1 5 0 R >>    % 字体F1引用对象5

&#x20;  /XObject << /Img1 11 0 R >> % 图像Img1引用对象11

\>>

字体资源：存储字体描述和字形数据，确保跨平台一致（如TrueTypeFont含/FontFile2）。
图像资源：XObject形式，含尺寸（/Width//Height）、压缩算法（如 JPEG 用/DCTDecode）。

（三）PDF 关键特性与结构关联

跨平台兼容性：依赖 “资源内嵌” 和 “设备无关坐标系”（点为单位，1 点 = 1/72 英寸）。
增量更新：修改时追加新对象、XRef 段和 Trailer，旧对象标记为自由，体积可能增大。
损坏修复：XRef/Trailer 损坏时，工具可扫描obj/endobj重建，核心是找到 Catalog 和 Pages 节点。
加密保护：/Encrypt字典存储算法（如 AES-256）和权限（禁止打印 / 修改），解密后可读内容。

二、简单 PDF 文件结构示例与拆解

以下为合法极简 PDF 示例，可保存为.pdf文件直接打开，结构完整且适合打印参考。

（一）完整示例代码

%PDF-1.7

%âãÏÓ

% 对象1：文档信息字典

1 0 obj

<< /Title (Simple PDF Example) /Author (PDF Learner) /CreationDate (D:20240501120000+08'00') >>

endobj

% 对象2：Pages节点（页面树父节点）

2 0 obj

<< /Type /Pages /Count 1 /Kids \[3 0 R] >>

endobj

% 对象3：Page节点（第1页）

3 0 obj

<< /Type /Page /Parent 2 0 R /MediaBox \[0 0 612 792]

&#x20;  /Resources << /Font << /F1 << /Type /Font /Subtype /Type1 /BaseFont /Helvetica >> >> >>

&#x20;  /Contents 5 0 R >>

endobj

% 对象4：内容流长度字典

4 0 obj

<< /Length 88 >>

endobj

% 对象5：内容流（绘制文本）

5 0 obj

<< /Filter /FlateDecode /Length 4 0 R >>

stream

1 0 0 1 100 600 cm /F1 24 Tf (Hello, Simple PDF!) Tj

endstream

endobj

% 交叉引用表

xref

0 6

0000000000 65535 f

0000000015 00000 n

0000000173 00000 n

0000000279 00000 n

0000000625 00000 n

0000000666 00000 n

% 文件尾与EOF

trailer

<< /Size 6 /Root 2 0 R /Info 1 0 R >>

startxref

786

%%EOF

（二）示例结构拆解

组成部分	核心作用	示例关键内容
文件头	声明版本 + 校验，识别 PDF 文件	`%PDF-1.7` + `%âãÏÓ`
文件体	存储对象（元数据、页面树、页面、资源、内容流）	5 个对象：信息字典（1）、Pages 节点（2）、Page 节点（3）、长度字典（4）、内容流（5）
交叉引用表	记录对象偏移量，快速定位	`xref`下条目（如对象 1 偏移 15 字节，对象 5 偏移 666 字节）
文件尾	定义解析入口（根对象）	`Root 2 0 R`（加载 Pages 节点 2）、`Info 1 0 R`（关联元数据）
EOF 标记	标记文件结束，避免无效读取	`%%EOF`（必选，无则损坏）

（三）关键注意事项

对象引用格式：统一为对象号版本号 R（如3 0 R，版本 0 为默认）。
内容流匹配：/Length需与实际内容字节数一致，否则内容损坏。
页面树必需：PDF 需通过Pages→Page树形管理页面，不可直接罗列页面。

原生与扫描件

原生PDF是指由可编辑文档( Word、Txt等格式)创建的PDF，只要有权限是能转为可编辑文字的。
扫描件是通过扫描的方式把文档扫描成图片格式后保存为PDF格式，扫描PDF本质上属于图像PDF，无法直接提取其中的文字。

技术文档