itext读写pdf的原理

之前介绍过使用ASM框架的一些基础api，里面会涉及.class的文件结构，字节码处理其实是修改.class文件的内容，关键内容在于对文件结构和字节码指令的了解

最近也阅读了些pdf相关的java框架，对其标准和原理做了些简单理解，于是以同样的方式，根据itext这个框架来解读分享下pdf的文件结构以及读写pdf的一些原理

首先用itext5.3.4生成一个pdf文件作为学习案例，itext采用事件驱动的方式来设计，创建一个pdf文件其实也很容易，只需要走5步即可,具体可以参见代码示例（创建document对象->定义PdfWriter->打开document->为document添加内容->关闭document）

public classHeaderFooter_ {

   public static voidmain(String[] args) {
       try {
           //1.创建一个document
           Document document = new Document();

           //2.定义pdfWriter，指明文件输出流输出到一个文件
           PdfWriter.getInstance(document,newFileOutputStream("D:\\test.pdf"));

           //3.打开文档
           document.open();


           //字体
           Font font = new Font();
           font.setFamily("STSongStd-Light");
           //颜色
           font.setColor(BaseColor.BLUE);
           //4.添加内容
           Paragraph content = new Paragraph("xxx!",font);


           document.add(content);


           //添加段落
           for(int i=0;i<100;i++){
               document.add(new Paragraph("HelloWorld"+","+"Hello iText"+","+"HelloxDuan"));
           }

           //5.关闭
           document.close();

       } catch (FileNotFoundException e) {
           e.printStackTrace();
       } catch (DocumentException e) {
           e.printStackTrace();
       }
}

其实作为合格的码仔，学习使用api的速度那是非常快的，基本上很容易上手，基本一看就了解生成了有3页内容的pdf文件，所以使用api不是本次分析的目的，我们会更关注api的背后有什么东西。

好，现在我们来看下生成的test.pdf文件具体是以什么方式存放的，先写一段测试代码，以2进制方式读出pdf内容。

       FileInputStream in = newFileInputStream(new File("D:\\test.pdf"));
       int xx = in.read();
       while(xx!=-1){
           System.out.print((char)xx);
           xx = in.read();
          }
输出结果：

到此基本可以看出，pdf二进制内容大部分能直接读懂，这里要提下pdf文件是支持7位ASCⅡ码和二进制码这两种编码方式的.

从这个文件中，我们已经知道在pdf标准上将这个文件结构进行了分类，如下图，分为4部分：文件头、文件体、交叉引用表、文件尾

pdf文件内容的逻辑组织结构，也很好的反映了文件体中各间接对象间的等级层次关系。PDF的文档结构是一种树型结构，如图二所示。树的根节点也就是PDF文件的根对象，根节点下面有四个子树：页面树（Pages Tree）、书签树（Outline Tree）、线索树（ArticleThreads）和名字树（NamedDestination）。

下面就来一一解读pdf里的意义。

文件头：

第一行内容为“%PDF-1.4\r” -->第0-4位为固定值标识文件类型 %PDF或者%FDF等，第6-8为则是主次版本号

第二行的内容为：%226 227 207 211 \r，将这串2进制值转为16进制得到E2 E3 CF D3，这个是GBK编码“忏嫌”的中文，意思是容忍不满意，作者选择这个能够理解pdf的这种设计。另外文件头中的%还有另外一个含义，那就是注释，这是因为PDF其实是PostScript的缩略版，也是程序，可以自己编程来完成绘图、制作pdf；（注：PostScript是一种描述打印机如何在页面上绘图的语言，每个PostScript文件也可以称为一个矢量图片集，虽然它其实更像程序而不是图片）。

文件体

再下面，我们可以看到如下内容

4 0 obj

<</Parent3 0 R/Contents 2 0 R/Type/Page/Resources<</ProcSet [/PDF /Text /ImageB/ImageC /ImageI]/Font<</F1 1 0 R>>>>/MediaBox[0 0 595842]>>

endobj

6 0 obj

<</Parent3 0 R/Contents 5 0 R/Type/Page/Resources<</ProcSet [/PDF /Text /ImageB/ImageC /ImageI]/Font<</F1 1 0 R>>>>/MediaBox[0 0 595842]>>

endobj

8 0 obj

<</Parent3 0 R/Contents 7 0 R/Type/Page/Resources<</ProcSet [/PDF /Text /ImageB/ImageC /ImageI]/Font<</F1 1 0 R>>>>/MediaBox[0 0 595842]>>

endobj

3 0 obj

<</Type/Pages/Count3/Kids[4 0 R 6 0 R 8 0 R]>>

endobj

文件体里面由若干个的obj对象来组成。

第一个数字称为对象号，来唯一标识一个对象的，第二个是产生号，是用来表明它在被创建后的第几次修改，所有新创建的PDF文件的对象号应该都是0，即第一次被创建以后没有被修改过。上面的例子就标识了该对象的对象号是4，而且创建后没有被修改过。

包含在<<和>>之间的内容就是对象内容，最后以关键字endobj结束.

对象内容中主要为PostScript，在pdf中共有60个页面描述指令，这60个页面描述指令描述了页面上的一系列的图形对象。这些图形对象大致可以分为四类，即路径对象（Path Object）、文本对象（Text Object）、图像对象（Image Object）和外部对象。

上面出现的这种代码(/Parent3 0 R)称为过程函数：过程函数是自定义新指令的方法，由一系列被“{”和“}”括起来的指令构成。例如求x的平方的过程为先复制一个x，再把两个x乘起来，即“{dupmul}”。于是该过程的定义指令为“/square {dup mul} def”。def是一个特殊的指令，可以把名称和数值或者过程函数结合起来并压入字典堆栈。基本格式为

/名称取值 def

该指令用于定义变量和过程函数。当“取值”是一个过程函数，并且里面用到一些别的指令的时候，可以用

/名称过程函数bind def

所以/Parent3 0 R表示意思是他的父路径是3 0 obj，从/Kids[40 R 6 0 R 8 0 R]中得知3 0 obj对象有40 obj、6 0 obj、8 0 obj 这3个叶子。即页面树与页面的关系。

其实过程函数只是做定义描述，并没与做什么其他事情。

补充：综合编程 , 其他综合 ,