pdfbox 与 pdf彻底研究之创建pdf文档

最新推荐文章于 2024-06-11 17:46:41 发布

原创最新推荐文章于 2024-06-11 17:46:41 发布 · 1.2k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#文档 #table #header #reference #apache #string

本文详细探讨了使用PDFBox库创建PDF文档时的trailer部分，包括根对象、ID标识和交叉引用表的位置。内容涵盖PDF文档结构的关键元素，并提醒读者尊重原创，遵循非商业使用的条款。

创建pdf文档

每一次的尝试都是成功，走出一步就有两步。

必要工作：

1）下载国际开源组织apache旗下顶级项目pdfbox的最新版本，目前为1.6.0；

2）下载国际开源组织apache旗下顶级项目logging的java版本。

使用pdfbox创建一个全新的pdf文件：

首先将所有相关的jar包导入任意ide环境的环境中，作者使用的Intellij IDEA 10.5

在此作者创建一个名为BlankPDFDocumentCreator的类来演示怎样使用pdfbox创建一个包含一个空白页面的pdf文档，如下：

import org.apache.pdfbox.exceptions.COSVisitorException;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;

import java.io.IOException;

public class BlankPDFDocumentCreator {

    public void createBlankPdfDocument(String outFile) throws IOException, COSVisitorException {
        //PDDocument是pdf文档在内存的表示
        PDDocument document = new PDDocument();
        // PDPage 表示pdf文档中的一个
        PDPage pdPage = new PDPage();
        //将新创建的PDPage增加到document也就是增加一个页面到泡打粉文档中
        document.addPage(pdPage);
        //保存创建的pdf文档
        document.save(outFile);
    }

    public static void main(String [] args) throws IOException,COSVisitorException
    {
        BlankPDFDocumentCreator creator = new BlankPDFDocumentCreator();
        if(args.length == 1)
        {
            creator.createBlankPdfDocument(args[0]);
        }
        else
        {
            creator.createBlankPdfDocument("d:\\blank.pdf");
        }
    }
}
以上简单的代码就可以创建一个包含一个空白页面的pdf文档如下图，从此处可以看出使用pdfbox操作pdf文档是很方便的
创建这个空白pdf文档时发生了什么，我们下面就来看一看有什么神奇的地方。用ultraedit打开这个空白pdf文档。如下如所示

图 2 空白pdf文档在文件中的内容

一切尽在眼前，一览无遗，一个空白pdf文档在文件中就是如此，跟一个普通的文本文件没有多大区别，但是pdf文档却不是文本文件，在此是比较特殊的，因为文件中没有可用的有意义的内容，才表现的是一个文本文件，文件中的各个部分都是什么意思呢，下面我们就一一探究。这时我们需要一个秘密武器出场了，究极武器之Adobe® Portable Document Format Reference，这里我们使用的是第六版，各位看官有兴趣可以看一看，这是一本一千多页的英文文档，呵呵，估计没有几个人回去看，不过希望各位看一看，很有益处的不是想象中那么难（作者本人至今四级为过）。

首先介绍一个pdf问当的文件结构，文件结构规定pdf文档包含的内容怎么存储在文件中。看下图：

在pdf 参考1.7版本中低90页给出上图内容，如上图所示，一个pdf文档的文件结构由 Header、Body、Cross-reference table、Trailer四个部分组成，与图2中的各个部分有什么关系呢。

Header：指明这个pdf文档符合哪个版本的pdf规范，如图2所示我们使用pdfbox创建的文档符合1.4版本的pdf规范。

Body：包含组成文档的各种内容（文本、图片等...）的pdf内部表示，pdf规范制定了一系列的对象来表示各种内容。以后我们将一一介绍。

Aross-reference table：包含文档中各种间接对象的信息，间接对象是指具有对象标示的对象，间接对象可以被其他对象引用，Aross-reference table的作用就是给出这些可引用对象的信息，间接对象可以随机访问，Aross-reference table的每一项都有三个部分组成：

nnnnnnnnnn ggggg n/f
第一部分是十进制的偏移，他表示间接对象在文件中的偏移(绝对偏移)，第二部分表示产生号，意思是该项从被创建到目前被修改的次数，
第三部分表示该间接对象是否还在使用n表示使用中，f表示没有使用，每一项制定的对象是与Body中出现的对象的顺序相关的。第一项表示
第一个出现的对象

trailer: 该部分是pdf文档最终要的部分，是软件操作pdf文档的入口，它记录pdf文档的根对象的对象标识，和Aross-reference table在文件中的起始位置。通常是这里找到文件中的其他对象，

下面我们来解释一下图2中出现的各个部分：
首先看一下trailer部分
//Root 1 0 R 标识跟对象是对象标识为1的对象，也就是第三行开始的那个对象,R标识该项应用对象1标识的对象。
//ID [<30C377FAE4150E97A75D0CA977F56FD8> <30C377FAE4150E97A75D0CA977F56FD8>] 用于标识文档
//Size 4 标识交叉引用表的项的个数这里为4
startxref 206 表示交叉引用表在文件中的位置，%%EOF标识文件结束。

Aross-reference table部分，该部分有xref开始知道trailer结束，xref标识交叉引用表开始。0标识对象标识从0开始， 4 表示有多少项，第一项是标识header部分，

0 4
0000000000 65535 f
0000000015 00000 n
0000000078 00000 n
0000000135 00000 n

Body部分，这里主要是3-23行，记录了3个对象，第一个对象的标识1，回头看看在trailer部分的/Root是指pdf文档的跟对象他引用对象标识为1的对象，

1 0 obj 1标识对象标识，0标识产生号，obj表示一个对象内容的起始

<<
/Type /Catalog //Type 表示对象类型 //Catalog 标识该对象的类型名称，这里为大纲对象（后续文章将会介绍）
/Version /1.4 指明该文档的符合的pdf文档规范，这里为1.4
/Pages 2 0 R 这里指明pdf文档中的page集合对象，这里标识对象标识为2的对象是页集合对象，
>>
endobj 对象结束
2 0 obj
<<
/Type /Pages 页集合对象，一个页集合对象包含对个页面对象
/Kids [3 0 R] 表示页集合对象包含的也对象这里只有包含一个对象，也即是我们创建的那个页面
/Count 1 标识有多少个页面
>>
endobj
3 0 obj
<<
/Type /Page 页面对象
/MediaBox [0 0 612 792] 页面大小
/Parent 2 0 R 父对象，既是页集合对象
>>
endobj

申明：
本文章为个人原创任何个人和组织可以自由传播，但禁止用于任何商业用途！
参考：pdf reference version 1.7