【发布时间】：2010-09-10 10:56:16
【问题描述】：
对于一个小型项目，我必须解析 pdf 文件并获取其中的特定部分（简单的字符链）。我想使用 python 来做到这一点，并且我发现了几个能够以某种方式做我想做的事情的库。
但是现在经过一些研究，我想知道 pdf 文件的真正结构是什么，有人知道网上是否有规范或解释吗？我在 adobe 上找到了一个链接，但它似乎是一个死链接:(
【问题讨论】：
标签： pdf
【发布时间】：2010-09-10 10:56:16
【问题描述】：
这里是 Adobe 参考资料的链接
http://www.adobe.com/devnet/pdf/pdf_reference.html
您应该知道，虽然 PDF 仅与演示有关，但与结构无关。解析并不容易。
【讨论】：
-
好的...很好，链接现在可以了...当我进行研究时，我无法下载最后一个参考。
-
别盯着看太久；你会发疯的。
-
作为答案没有用
我发现GNU Introduction to PDF 有助于理解结构。它包括一个易于阅读的example PDF file，他们对其进行了完整的详细描述。
其他有用的链接：
- PDF Succinctly book 更长，并且有有用的图片。
- Introduction to the Insides of PDF 是一个不那么深入的演示文稿，但提供了一个快速的概述并且有很多图片。
【讨论】：
-
GNU 链接已经过时
-
@dwarring 我用网络存档链接修复了它们以供后代使用。
-
Adobe 不再像以前那样托管介绍性的 preso。找它，我在这里找到它：mafiadoc.com/slides_59c4bd4c1723dd6ff3e29059.html
-
您的“其他帮助链接”已失效 :(
当我第一次开始使用 PDF 时，我发现 PDF reference 很难导航。 它可能会帮助您了解文件结构的概述可以在语法中找到，Adobe 所说的文档结构是对象结构而不是文件结构。这也可以在语法中找到。操作符的描述隐藏在附录 A 中——对于理解内容流中发生的事情非常有用。如果您曾经为使用色彩空间而感到痛苦，您会发现它隐藏在图形中！希望这些提示能帮助您比我更快地找到东西。
如果您使用的是 windows，pdftron CosEdit 允许您浏览对象结构以了解它。有一个免费的演示版可让您检查文件但不能保存它。
【讨论】：
-
+1。看起来 CosEdit 是一个很棒的介绍性浏览器，虽然不完美，但比尝试通过原始二进制文件 grep 好得多。 ://
-
我下载了 CosEdit，但它拒绝了我的 PDF。其他程序接受相同的 PDF。 CosEdit 可能是对的，但它并不能帮助我确定我的 PDF 出了什么问题。
这是原始的 reference of PDF 1.7，这是一篇文章 describing the structure of a PDF 文件。如果你使用 Vim，pdftk plugin 是一个很好的方式来探索文档的原始形式，而pdftk 实用程序本身（及其 GPL 源）是一个很好的方式来梳理文档。
【讨论】：
-
原始参考似乎毫无意义。它只包含一个页面？
-
@Carcamano 原始参考是一个带有许多附件的（大）包。第一个附件描述了 PDF 格式，长达 1310 页。
我正在尝试做几乎相同的事情。 PDF 参考是一个非常难以阅读的文档。我认为This tutorial 是一个更好的开始。
【讨论】：
-
可能是较新的链接：planetpdf.com/…
这可能有助于阐明一点： （来自 PDF32000.book 的第 11 页）
PDF 语法最好理解为四个部分，如图 1 所示：
• 对象。 PDF 文档是由一小组基本类型的数据对象组成的数据结构。 第 7.2 节“词汇约定”描述了用于编写对象和其他内容的字符集 句法元素。 7.3 节“对象”描述了对象的语法和基本属性。 子条款 7.3.8，“流对象”，提供了最复杂的数据类型流的完整细节 对象。
• 文件结构。 PDF 文件结构决定了对象在 PDF 文件中的存储方式以及它们的存储方式 访问，以及它们是如何更新的。这种结构独立于对象的语义。子 第 7.5 节“文件结构”描述了文件结构。第 7.6 节“加密”描述了文件级 保护文档内容免遭未经授权访问的机制。
• 文档结构。 PDF 文档结构指定了如何使用基本对象类型 表示 PDF 文档的组成部分：页面、字体、注释等。第 7.7 款， “文档结构”描述了整个文档结构；后面的条款详细说明 组件的语义。
• 内容流。 PDF 内容流包含一系列描述 页面或其他图形实体。这些指令虽然也表示为对象，但在概念上是 与表示文档结构的对象不同，并单独描述。子条款 7.8，“内容流和资源”，讨论 PDF 内容流及其相关资源。
看起来浏览 PDF 文件需要的不仅仅是路过的努力。
【讨论】：
如果您想使用 Python 解析 PDF，请查看 PDFMINER。这是迄今为止解析 PDF 文件的最佳库。
【讨论】：
-
PDFMiner 很棒。特别是尝试
pdf2txt -t html -d -Y exact -o foo.html foo.pdf。这是一个很好的工具，可以查看 PDF 页面的结构。我还在为我们自己的项目进行一些改进。
Didier 有一个解析 PDF 的工具：
http://didierstevens.com/files/software/pdf-parser_V0_4_3.zip
或这里：
http://blog.didierstevens.com/programs/pdf-tools/ 列出了几个相关的 pdf 分析工具。
另一个工具在这里：
【讨论】：
从 PDF 中提取文本是一个难题，因为 PDF 具有这种面向布局的结构。你可以看到docs and source code 我在 CPAN 上几乎没有成功的尝试（我的实现是在 Perl 中）。 PDF 的数据结构很酷，设计的很好，但是写起来比读起来容易。
【讨论】：
获得一些线索的一种方法是创建一个包含空白页的 PDF 文件。我的电脑上有CutePDF Writer，并制作了一页的空白写字板文档。打印成 .pdf 文件，然后使用记事本打开 .pdf 文件。
接下来，使用此文件的副本并删除可能感兴趣的文本行或文本块，然后在 Acrobat Reader 中重新加载。您会惊讶于制作一个有效的一页 PDF 文档所需的信息是如此之少。
我正在尝试制作一个电子表格来从代码创建一个 PDF 表单。
【讨论】：
您需要 PDF 参考手册才能开始阅读有关 PDF 文件的详细信息和结构的信息。我建议从 1.7 版本开始。
在 Windows 上，我使用免费工具 PDF Analyzer 来查看 PDF 文件的内部结构。 这将有助于您在阅读参考手册时理解。
（我隶属于PDF Analyzer，无意推广）
【讨论】：
-
PDF 成为 ISO 标准已有 10 年了。因此，不应该建议从 ISO 文档开始，而不是从 Adobe PDF 参考开始，尤其是在 Adobe 免费发布了 ISO 32000-1（带有交换页眉）的副本时？
-
首先，PDF 参考手册将使您对基础知识有一个很好的理解。一旦掌握了它们，您就可以阅读 ISO，这将使您了解为什么进行了一些更改。阅读参考手册时，基本解析仍然是相同的。作为建议，最好阅读多个版本的手册，因为它们有时会做出细微的变化。
-
确实，阅读有关某些主题的不同版本的文档是有意义的，但在我看来，应该从当前版本开始，而不是过时的版本。
要从 PDF 中提取文本，请在 Linux、BSD 等机器上尝试，或者如果在 Windows 上使用 Cygwin：
pdfinfo -layout some_pdf_file.pdf
创建一个名为some_pdf_file.txt 的纯文本文件。 PDF 文件布局越简单，.txt 文件输出就越简单。
十六进制字符经常出现在 .txt 文件输出中，并且在文本编辑器中看起来很奇怪。这些十六进制字符通常表示 PDF 中的单引号和双引号、项目符号、连字符等。
要查看十六进制字符出现的上下文，请运行此 grep 命令，并将原始 PDF 放在手边，以查看代码在 PDF 中表示的字符：
grep -a --color=always "\\\\[0-9][0-9][0-9]" some_pdf_file.txt
这将提供文档中不同八进制代码的唯一列表：
grep -ao "\\\\[0-9][0-9][0-9]" some_pdf_file.txt|sort|uniq
要将这些十六进制字符转换为等价的 ASCII 字符，可以使用 grep、sed 和 bc 的组合，我将尽快发布该过程。
【讨论】：