pdf文件内容查看器 -- 采用wpf开发

前言 pdf是一种应用非常广的版式文档格式，已成为事实上的国际标准。关于pdf格式的文章汗牛充栋，本文也是关于pdf格式的文章，但是本文不是纸上谈兵；本人这几周一直研究pdf格式内容，不但对pfd格式的内容有所了解，同时也写了一款软件，可以方便查看pdf文件内容。使用该软件，同时结合pdf相关文章，可以很快掌握pdf格式内容。

软件截图： 软件下载地址 点我下载

pdf文件内容简要介绍

这里对pdf文件格式做个粗略介绍，只有了解了这些内容，才能知道如何使用该软件。

pdf文档总结构如下：

1）header：主要包含版本信息

2）tailer：pdf树结构的入口点。

 3）交叉索引表；该表包含pdf每个obj在文件中的位置，根据该表，可以快速定位和加载obj的内容。对于大文件，不必一次加载所有的内容，只需加载当前页包含的obj即可。

 4） body。 包含obj对应的内容。

pdf obj树状结构

要完成对pdf文件的分析和显示，首先需要构建pdf文件的obj的树状模型。这个树状模型的入口点就是trailer，trailer包含root元素（Catalog），其下包含Pages，Page。Page中包含内容和资源。

 

结合软件分析pdf文件格式

用该软件打开一个pdf文件，对照示例来分析。

1）pdf header： 

2）trailer和交叉引用表，

3）body 由一系列obj组成。每个obj由唯一编号，可根据编号定位到内容。

 4）文档树状结构

页集是页的集合，pdf规范建议用平衡树来组织页，便于快速查找。

 

编程心得。

1 不能严格按照pdf标准来分析pdf。

pdf文档应用非常广，生成pdf文件的软件非常多。不是所有的pdf文档都严格符合标准。所谓“林子大了，什么鸟都有“。所以开发软件要经过大量的pfd文档测试。

2 分析obj的内容

pdf索引表只给出了obj开始文件位置。obj一般包含dictionary和stream两部分。所以需要根据关键词来解析obj，这就需要有一定的技巧。dictionary开始和结束的关键字为“<<” 和">>"，但是dictionary可能包含子dictionary。只靠关键字是无法确定dictionary的开始和结束位置的，需要一定的技巧。

 

 

 3 读取obj的效率。

不必一次加载所有的obj，可以采取按需加载。

后记 读取pdf文件的内容，在内存中构建obj树形结构，是下一步分析和显示pdf的基础。本人通过阅读相关资料，加上编写代码，实现了对pdf文件内容的分析。理论和实践相结合，就能快速的掌握相关知识。本软件可以方便的窥探pdf内部结构，希望该软件为你了解和开发pdf有所帮助。