第2章 - 构建一个简单的PDF

    此示例以及本书中的所有PDF文件都可以从中这本书的网页下载。

    我们将同时考虑很多新概念，所以不要担心， 如果看起来压倒一切 - 我们将在以后的章节中回到这一切。

    补充pdftk介绍信息

    PDF文件至少包含三种不同的语言:

    • document content文档内容，是在它们之间具有链接的多个对象，形成有向图。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，描述了使用一系列操作符将文本和图形放在一个页面上。
    • file structure文件结构，包括header(文件头)，trailer(文件尾)和交叉引用表，帮助程序找到并读取文件的内容。

    文档内容包括由以下元素构建的对象：

    • 名称，写为
    • 整数，如 50
    • 带括号的字符串，如 (The Quick Brown Fox)
    • 引用其他对象，如 2 0 R，对对象2的引用。
    • 对象的数组（有序集合），如 [50 30 /Fred]，是一个包含三个项目的数组，按顺序：50, 30 和 /Fred。
    • 字典（从名称到对象的无序映射），如 <</Three 3 /Five 5>>，映射 /Three 到 3 和 /Five 到 5。
    • stream(流)，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，它是一个包含许多项目的字典，每个与名称相关联：

    这个词典包含五个条目：

    /Type /Page 名称 /Page 与字典键 /Type 相关联。

    /MediaBox [0 0 612 792] 四个整数 [0 0 612 792] 的数组与字典键 /MediaBox 相关联。

    /Resources 3 0 R 对象编号3与字典键 /Resources 相关联。

    /Parent 1 0 R 对象编号1与字典键 /Parent 对象相关联。

    /Contents [4 0 R] 间接引用 [4 0 R] 的单元素数组与字典键 /Contents 相关联。

    Page Content

    页面内容是运算符列表，每个运算符前面都有零个或多个 操作数。这是一系列操作符，用于在36号字体选择/F0字体并放置 当前位置的文字:

    1. /F0 36.0 Tf
    2. (Hello, World!) Tj

    这里，Tf 和 Tj 是运算符，而 /F0, 36.0 和 (Hello, World!) 是操作数。 你可以看到一些语法元素（例如，名称和字符串）是共享的跨页面内 容和文档内容使用的语言。

    文件结构包括：

    • 用于将文件区分为PDF文档的header(文件头)。
    • 一个交叉引用表，列出了文档中每个对象的字节偏移量 - 这个 允许任意访问对象，而不是必须按顺序读取。
    • trailer(文件尾)，包括交叉引用表的字节偏移，后跟文件结束标记。

    在编写我们的示例文件时，我们将对许多文件结构使用不完整的值， 依靠pdftk来填写细节。例如，我们手动编写交叉引用表是不切实际的。

    • trailer字典，提供有关如何阅读其余内容的信息文件中的对象
    • 文档目录，它是对象图的根。
    • 页面树，它枚举文档中的页面。
    • 至少有一页。每个页面必须具有：
        • resources(资源)，包括例如字体。
        • 其页面内容，其中包含绘制文本和图形的说明在页面上。

    这种安排如图2-1所示。

    我们将PDF数据输入到文本文件中。 文本编辑器选择的行结尾并不重要（[Unix和Mac OS X]和

    [Microsoft Windows]都很好）。 我们将跳过一些信息（手动难以解决的数据），依靠pdftk来填充它。我们会：

    • 使用简短的header。
    • 跳过了页面内容流的长度，因此我们不必手动计数字节数。
    • 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。

    首先，我们将查看文件的各个部分（按照它们出现的顺序）然后查看 我们将它们放在一起并运行pdftk来制作有效的PDF文件。

    文件头

    文件头通常由两行组成。第一行将文件标识为PDF和 给出它的版本号：

      第二行很难输入文本编辑器，因为它包含不可打印的字符。 我们将有pdftk为我们这样做。

      到文件的主体-对象。第一个是Page列表，它是链接到文档中页面对象的字典。

      接下来是页面。再次，它是一个字典。它包含纸张大小，间接 引用返回页面列表，以及图形内容和资源。

      1. 2 0 obj
      2. << /Type /Page              % 这是一个页面
      3.    /MediaBox [0 0 612 792]  % 纸张尺寸为美国信肖像（612点x792点）
      4.    /Resources 3 0 R         % 对象3的资源引用
      5.    /Parent 1 0 R            % 引用备份到父页面列表
      7. >>
      8. endobj

      现在，资源(resource)。在这里，只有一个条目，字体字典，在我们的 示例包含单个字体，我们将使用该字体在页面上写入一些文本。

      1. 3 0 obj
      2. << /Font  % 字体字典
      3.      << /F0  % 只有一种字体，称为/F0
      4.           << /Type /Font  % 这三行引用了内置字体Times Italic
      5.             /BaseFont /Times-Italic
      6.             /Subtype /Type1 >>
      7.      >>
      8. >>
      9. endobj

      图形内容

      页面内容流包含用于放置文本和图形的一系列运算符 在页面上。它通过页面字典中的 /Contents 条目链接。

      流对象由字典后跟原始数据流组成，包含一个 一系列PDF操作数和运算符。通常，这将被压缩以减少 文件大小，但我们手动输入，所以我们不压缩它。 我们还必须以字节为单位指定流的长度-pdftk将为我们添加所需的 /Length 条目到流字典。

      页面上的图形运算符流的结果如图2-2所示。 第2章 - 构建一个简单的PDF - 图2

      文件的最后一部分以文档目录开头，该目录是文档目录的根对象 对象图。接下来是交叉引用表，它给出了字节偏移量 文件中的每个对象。我们将pdftk为我们填写此内容。最后两行：一行 给出交叉引用表开始的字节偏移量（我们写0和pdftk将 替换它为我们）。最后，文件结束标记 %%EOF。

      1. 5 0 obj
      2. << /Type /Catalog   % 文件目录
      3.    /Pages 1 0 R     % 参考页面列表
      4. >>
      5. endobj
      6. xref    % 我们跳过了交叉引用表的开始
      7. 0 6
      8. trailer
      9. << /Size 6      % 交叉引用表中的行数（对象数加1）
      10.    /Root 5 0 R  % 参考文档目录
      11. >>
      12. startxref
      13. 0       % xref表开始的字节偏移量，我们将其设置为0
      14. %%EOF   % 文件结束标记

      现在我们准备将这些部分放在一起了

      可以在此在线资源中找到书此文件的源（示例2-1）， 或者你可以自己输入。将其保存为hello-broken.pdf。

      1. %PDF-1.0    % 文件header
      2. 1 0 obj     % 主要对象
      3. << /Type /Pages
      4.    /Count 1
      5.    /Kids [2 0 R]
      6. >>
      7. endobj
      8. 2 0 obj
      9.    /MediaBox [0 0 612 792]
      11.    /Parent 1 0 R
      12.    /Contents [4 0 R]
      13. >>
      14. endobj
      15. 3 0 obj
      16. << /Font
      17.      << /F0
      18.           << /Type /Font
      19.              /BaseFont /Times-Italic
      20.              /Subtype /Type1 >>
      21.      >>
      22. >>
      23. endobj
      24. 4 0 obj     % 图形内容
      25. << >>
      26. stream
      27. 1. 0. 0. 1. 50. 700. cm
      28. BT
      29.  /F0 36. Tf
      30.  (Hello, World!) Tj
      31. ET
      32. endstream
      33. endobj
      34. 5 0 obj     % 目录，交叉引用表和trailer
      35. << /Type /Catalog
      36.    /Pages 1 0 R
      37. >>
      38. endobj
      39. xref
      40. 0 6
      41. trailer
      42. << /Size 6
      43.    /Root 5 0 R
      44. >>
      45. startxref
      46. 0
      47. %%EOF

      就目前而言，hello-broken.pdf不是有效的PDF文件，甚至也不是Adobe Reader（其中 相当容忍格式错误的文件）将无法应对。

      我们可以使用免费的pdftk工具来修复hello-broken.pdf文件，其中包含缺少的细节， 将输出写入hello.pdf：

      pdftk hello-broken.pdf output hello.pdf

      pdftk读取文件及其对象，并为缺失或计算正确的数据 我们写的错误部分，并生成示例2-2中显示的有效文件。注意 一些语法的间距和格式已经改变 - 每个PDF制做人对此有不同的选择。

      例2-2。完成的PDF文件hello.pdf，由pdftk修复

      1: 一些不可打印的字符已添加到PDF标题中 - 这可确保文件被识别为二进制 （而不是文本），例如，通过FTP等文件传输程序。

      2: 已填写流的字节长度。

      3: 交叉引用表已填入了每个对象的字节偏移量文件。

      4: 已填写交叉引用表开头的字节偏移量。

      该文件现在可以加载到PDF查看器中。Microsoft Windows上的Acrobat Reader的结果如图2-3所示。

      我们已经看到了如何从头开始构建一个简单的PDF文件，使用pdftk来帮助我们，以及 我们已经看了一些构成PDF文档的基本语法。

      你也可以使用文本编辑器查看现有的PDF文件。但是，有些 数据（例如构成页面内容的图形运算符）很可能被压缩，因此不可读。 pdftk命令可用于解压缩这些 部分以便于阅读 - 请参阅第114页的“压缩”。

      在以后的章节中，我们将详细介绍典型PDF文件的各个部分以及如何进行 程序读取，写入和编辑PDF文件。在每个阶段，都有机会 通过改变和扩展我们在本章中构建的示例来构建示例文件。