PDF文件的结构？[关闭]

对于一个小型项目，我必须解析pdf文件并采用其中的特定部分（简单的字符链）。我想使用python做到这一点，并且我发现了一些能够以某种方式实现我想要的功能的库。

但是现在经过一些研究，我想知道pdf文件的真实结构是什么，有人知道在线上是否有任何规格或解释吗？我在Adobe上找到了一个链接，但似乎是一个死链接:(

这是Adobe参考资料的链接

http://www.adobe.com/devnet/pdf/pdf_reference.html

您应该知道PDF仅是表示形式，而不是结构。解析并不容易。

我发现GNU PDF入门对理解结构很有帮助。它包括一个易于阅读的示例PDF文件，它们以完整的详细描述。

其他有用的链接：

• PDF简洁的书更长，并且有帮助的图片。
• PDF Insides简介是一个不深入的演示，但是提供了快速概述并包含许多图片。

刚开始使用PDF时，我发现很难浏览PDF参考。它可能会帮助您了解在语法中找到了文件结构的概述，并且Adobe称其为文档结构是对象结构而不是文件结构。这也可以在语法中找到。附录A中隐藏了运算符的描述-对理解内容流中正在发生的事情非常有用。如果您有使用色彩空间的烦恼，您会发现它隐藏在图形中！希望这些指针可以帮助您比我更快地找到事物。

如果使用Windows，pdftron CosEdit允许您浏览对象结构以了解它。有一个免费的演示程序，可让您检查文件但不保存。

这是PDF 1.7的原始参考，这是一篇描述PDF文件结构的文章。如果您使用Vim，则pdftk插件是一种以很少的原始形式浏览文档的好方法，而pdftk实用程序本身（及其GPL源代码）是一种将文档分开的好方法。

我正在尝试做几乎相同的事情。PDF参考是很难阅读的文档。我认为本教程是一个更好的开始。

这可能会帮助您了解一些信息：（摘自PDF32000.book第11页）

通过将PDF语法分为四个部分，可以最好地理解它，如图1所示：

•对象。PDF文档是由少量基本类型的数据对象组成的数据结构。第7.2节“词汇约定”描述了用于编写对象和其他句法元素的字符集。第7.3节“对象”描述了对象的语法和基本属性。第7.3.8节“流对象”提供了最复杂的数据类型流对象的完整详细信息。

•文件结构。PDF文件结构确定如何将对象存储在PDF文件中，如何访问对象以及如何更新对象。这种结构独立于对象的语义。第7.5节“文件结构”描述了文件结构。第7.6节“加密”描述了一种文件级机制，用于保护文档内容免受未经授权的访问。

•文档结构。PDF文档结构指定如何使用基本对象类型来表示PDF文档的组件：页面，字体，注释等。第7.7节“文档结构”描述了整个文档结构；后面的条款介绍了组件的详细语义。

•内容流。PDF内容流包含描述页面或其他图形实体外观的一系列指令。这些指令虽然也表示为对象，但它们在概念上与表示文档结构的对象不同，因此分别进行了描述。第7.8节“内容流和资源”讨论了PDF内容流及其相关资源。

导航PDF文件似乎需要付出更多努力。

如果要使用Python解析PDF，请查看PDFMINER。这是迄今为止解析PDF文件的最佳库。

Didier有一个解析PDF的工具：

http://didierstevens.com/files/software/pdf-parser_V0_4_3.zip

或在这里：

http://blog.didierstevens.com/programs/pdf-tools/列出了一些相关的pdf分析工具。

另一个工具在这里：

http://mshahzadlatif.wordpress.com/2011/09/28/view-pdf-structure-using-adobe-acrobat-or-a-free-tool-known-pdfxplorer/

从PDF提取文本是一个难题，因为PDF具有这种面向布局的结构。您可以看到我在CPAN上尝试失败的文档和源代码（我的实现在Perl中）。PDF数据结构非常酷，而且设计合理，但是写起来比读起来容易。

获得一些线索的一种方法是创建一个由空白页组成的PDF文件。我的计算机上装有CutePDF Writer，并制作了一页空白的Wordpad文档。打印到.pdf文件，然后使用记事本打开.pdf文件。

接下来，使用该文件的副本并消除可能感兴趣的行或文本块，然后将其重新加载到Acrobat Reader中。您会惊讶地制作出一页有效的PDF文档所需的信息很少。

我正在尝试组成一个电子表格，以通过代码创建PDF表单。

您需要使用PDF参考手册来开始阅读有关PDF文件的详细信息和结构。我建议从1.7版开始。

在Windows上，我使用了免费工具PDF Analyzer来查看PDF文件的内部结构。阅读参考手册时，这将有助于您的理解。

（我隶属于PDF Analyzer，无意推广）

要从PDF中提取文本，请在Linux，BSD等计算机上尝试操作；如果在Windows上，请使用Cygwin：

pdfinfo -layout some_pdf_file.pdf

some_pdf_file.txt创建一个名为的纯文本文件。PDF文件布局越简单，.txt文件输出就越直接。

十六进制字符经常出现在.txt文件输出中，在文本编辑器中看起来很奇怪。这些十六进制字符通常在PDF中代表卷曲的单引号和双引号，项目符号点，连字符等。

要查看出现十六进制字符的上下文，请运行以下grep命令，并保持原始PDF方便，以查看代码在PDF中代表什么字符：

grep -a --color=always "\\\\[0-9][0-9][0-9]" some_pdf_file.txt

这将提供文档中不同八进制代码的唯一列表：

grep -ao "\\\\[0-9][0-9][0-9]" some_pdf_file.txt|sort|uniq

要将这些十六进制字符转换为ASCII等效项，可以使用grep，sed和bc的组合，我将尽快发布该过程。