数据恢复(七)-PDF文件结构分析
PDF（Portable Document Format）文件是一种用于文档传输和显示的文件格式，也是结构性的文件。通过本文的分析，可以清楚PDF的文件结构和对象寻址原理，对于PDF的文件修复思路也能有自己的见解。
PDF文件结构
PDF文件的结构主要包括以下4个部分：
- 文件头：
PDF文件的开头包含一个文件头，它标识了文件的类型和版本信息。 - 对象：
PDF文件中的所有内容都被表示为对象，这些对象可以是文本、图像、矢量图形等。每个对象都有一个唯一的编号，以及一些描述该对象的信息。 - 交叉引用表(xref)：
PDF文件通常包含一个交叉引用表，它记录了PDF文件中所有对象的位置和编号。这些对象包括页面、字体、图片等。 - 文件尾(trailer)：
包括文件大小、根对象的编号等信息。startxref 指向交叉引用表的位置，文件结束符 “%%EOF”。
PDF文件读取过程分析
PDF阅读器读取渲染显示PDF文件，有如下过程。
PDF内容详解
PDF文件头
PDF文件的开头所包含的几个字节，用于标识这个文件的类型和版本。PDF文件头的格式是：%PDF-1.x，其中x代表版本号。
上图是“%PDF-1.0”，说明该文件是一个PDF版本1.0的文档。
PDF对象obj
对象obj是pdf文件的主体内容。上面选中的部分是第一个完整的obj，注意obj开头的偏移地址为21。
1 0 obj << /Length 44 >> stream q 595.80 0 0 842.40 0.00 0.00 cm /Im33 Do Q endstream endobj
对上图中所有的obj各个字段进行解释。
1 0 obj– 对象编号及版本号<< >>– 对象属性字典的开始和结束标记/Length 44– 图像数据的长度，单位为字节stream– 图像数据流的开始标记q– 图形状态保存命令，保存当前的图形状态，方便后续恢复/Im33 Do– 在当前位置插入名称为”Im33″的图像资源Q– 图形状态还原命令，恢复之前保存的图形状态endstream– 图像数据流的结束标记endobj– 对象定义的结束标记
PDF交叉引用表xref
交叉引用表xref位于文件尾部，所有obj结束后就是xref。注意xref的偏移地址为7990754。可以搜索xref快速定位交叉引用表的位置。
xref 0 1 0000000000 65535 f 1 1 0000000021 00000 n 2 1 0000000118 00000 n
每个字段的含义解释：
xref– 交叉引用表的开始标记0– 第一个对象的编号1– 对象的数量0000000000 65535 f– 第一个对象的描述，其中：0000000000– 第一个对象在文件中的偏移量65535– 对象的生成号，因为此处是”f”，所以表示这个对象是一个自由对象（free object），即已被删除的对象，可以被其他新对象重复使用
1 1– 第二个对象的编号和数量0000000021 00000 n– 第二个对象的描述，其中：0000000021– 第二个对象在文件中的偏移量00000– 对象的生成号n– 表示这个对象是一个普通对象（normal object），即当前被使用的对象
- 后面的依次同上
所以上面的0 1表示的是删除对象，1 1实际对应PDF中的第一个obj，其偏移地址就是对应的之前第一个obj的地址，为21。这样pdf解析工具就能正常寻址找到文件中所有obj的对象了。
PDF文件尾trailer
PDF文件尾trailer位于文件的末尾，在交叉引用表xref的后面。包含了PDF文件中的对象位置信息和文件总体描述信息，是解析和渲染PDF文件的必要信息。
这里startxref就是对应上面的7990754。
trailer << /Root 74 0 R /Size 84 >> startxref 7990754 %%EOF
对trailer每个字段含义的解释：
trailer– 文件总体描述信息的开始标记<< >>– 文件总体描述信息的属性字典，其中包含：/Root 74 0 R– 根对象的引用，其中74 0 R表示该对象在文件中的编号为74，第二个数字0表示该对象在交叉引用表中的位置/Size 84– PDF文件中的对象数量，包括自由对象和普通对象
startxref– 交叉引用表的起始位置标记7990754– 交叉引用表在文件中的偏移量，即从文件的开头到交叉引用表的位置的字节数%%EOF– 文件结束标记，表示PDF文件正式结束
总结
从分析结果来看，PDF是非常结构化的文件。搞清楚了PDF文件对象的寻址原理甚至可以自己写一个PDF解析工具，这样对任何文件系统的结构原理理解也会更加深刻。
赞赏
微信赞赏
支付宝赞赏
目前为止有一条评论