pdf文件内容分析工具简介（研究pdf标准好帮手）

　　前言：PDF文件标准诞生于20年前，从今天的视角来看，标准设计理念有些过时了；然而，pdf文件生态已经形成，尾大不掉吧。纵然有各种缺点，但是不可否认的事实：pdf是当今应用最广泛的版式文件。

　　pdf文件中内容是文本和二进制夹杂的混合物，直接查看文件内容难以理解。本人开发了一款工具，可以方便的查看文件内容，见下图：

组成pdf的基本元素是Dictionary。Dictionary包含header和body，header是文本的，描述tree状结构；body是二进制，解析过程由header决定。

pdf文件结构图：

 解析pdf文件过程：

1 找到cross-reference table起始位置。

从pdf文件尾部向前搜索“startxref”，该关键字下一行就是cross-reference table起始位置。

2 解析cross-reference table，确定每个Dictionary对象的起始位置。

上图说明有32个Dictionary，并标明了每个Dictionary的起始地址。

3 解析Dictionary

上图前半部分是文本；后半部分是二进制，所以显示为乱码。这个Dictionary描述了一段压缩数据，并指明了压缩算法。

pdf文件的页组成

后记：作者研究pdf多年，但是pdf文件内容不易理解。借助于该工具，能极大的方便对pdf标准的理解，并快速定位问题。