PDF文件格式详解：结构、图层与标准
PDF内部究竟包含什么？一张标注图解和术语表，涵盖四个物理部分（文件头、正文、交叉引用表、尾部）、六个内容图层（文本、图像、字体、注释、矢量图、签名）、元数据以及在此基础上构建的ISO标准（PDF/A、PDF/X、PDF/UA、PDF/E、PDF/VT）。
PDF并非单一实体。它是一个二进制容器，在磁盘上具有特定结构，内部包含一组内容图层，并在其之上构建了一系列ISO标准。用十六进制编辑器打开它，结构会以明文形式显示在最初几行。用查看器打开，图层则会渲染成单一页面。
本指南是一份标注参考：包括物理文件结构、正文所包含的内容图层、围绕一切的元数据，以及为特定用例而约束它的标准（PDF/A、PDF/X、PDF/UA、PDF/E、PDF/VT）。
想在您的博客上使用此图表？ 复制此嵌入代码：
四个物理部分
磁盘上的每个PDF都具有相同的四部分结构，顺序如下：
1. 文件头 (Header)
文件的第一行。总是以%PDF-开头，后跟版本号：
%PDF-1.7版本范围从1.0（1993年发布）到2.0（2017年发布，当前）。文件头后跟一个注释行，包含二进制字节，用于向FTP和其他传输工具指示这是一个二进制文件。
2. 正文 - 间接对象 (Body - Indirect Objects)
文件的主体部分。每个页面、字体、图像、注释和表单字段都是一个编号的间接对象：
1 0 obj
<< /Type /Catalog /Pages 2 0 R >>
endobj
2 0 obj
<< /Type /Pages /Kids [3 0 R] /Count 1 >>
endobj
3 0 obj
<< /Type /Page /Parent 2 0 R /Contents 4 0 R /Resources << ... >> >>
endobj每个对象都有一个ID（0 obj之前的数字）、一个代号（0，用于增量更新），以及在<<和>>之间用于字典（dictionaries）或stream和endstream之间用于二进制流（图像数据、字体数据、压缩内容）的载荷。
对象之间使用<id> <gen> R语法（例如，3 0 R表示“对象3，代号0”）相互引用。这就是页面如何引用其使用的字体，或者目录如何引用页面树的根。
3. 交叉引用表 (Cross-Reference Table - xref)
一个字节偏移查找表。对于正文中的每个对象，xref记录了它在文件中的绝对字节位置：
xref
0 6
0000000000 65535 f
0000000017 00000 n
0000000089 00000 n
0000000172 00000 n
0000000299 00000 n
0000000453 00000 n这就是PDF能够随机访问的原因。查看器可以读取xref，直接跳转到对象3的字节偏移处，而无需解析文件的其余部分即可渲染该页面。这就是为什么即使源文件有500页，单个章节的PDF也能瞬间打开的原因。
4. 尾部 (Trailer)
最后一部分。告诉解析器在哪里找到xref以及哪个对象是根对象：
trailer
<< /Size 6 /Root 1 0 R /Info 7 0 R >>
startxref
1893
%%EOFstartxref的值是xref表的字节偏移量。%%EOF标记是文件的实际结束。尾部使得增量更新成为可能：在文件末尾追加一个新的xref+尾部，就可以在不重写整个文件的情况下添加对象。
六个内容图层
在正文内部，内容分布在六种图层类型中。每个渲染的PDF页面都是这些图层的复合体：
1. 文本 (Text)
字形位置命令和字体引用，而非文本字符串。PDF存储的指令是“在位置(120, 540)处，从字体F3绘制字形42”，而不是“在此处绘制字母A”。这就是为什么文本可选择和可搜索的原因：查看器通过ToUnicode映射（或针对CJK字体的CMap）将字形ID反向映射到Unicode码点。
当文本缺少ToUnicode映射时，就会出现经典的“文本可选但复制出来是乱码的PDF”问题。文本可见，但字形到Unicode的映射已损坏或缺失。
2. 图像 (Images)
以嵌入流（embedded streams）的形式存储，格式有多种：
- JPEG (DCTDecode过滤器)：照片，最常见
- JPEG2000 (JPXDecode)：压缩率更高，不太常见
- PNG等效 (FlateDecode + Predictor)：屏幕截图，线条艺术
- CCITT Group 4 (CCITTFaxDecode)：黑白扫描文本，用于归档扫描
- JBIG2 (JBIG2Decode)：二值图像，常用于OCR文档
图像可以被下采样、重新压缩或替换，而不影响其他内容。
3. 字体 (Fonts)
嵌入为完整的字体程序、子集（仅包含使用的字形）或按名称引用（必须安装在查看器的系统上）。子集是默认选项——它能显著减小文件大小。支持的字体格式：Type1、TrueType、OpenType和CIDFont（用于CJK）。
当字体被引用但未嵌入且未安装在查看器的系统上时，查看器会替换为相似字体——这通常看起来不正确。PDF/A要求所有字体都必须嵌入，以防止这种情况。
4. 注释 (Annotations)
高亮、评论、链接、图章、水印和表单字段都属于注释。它们叠加在页面内容之上，可以添加、编辑或删除，而不会改变底层页面。
表单字段是一种特殊情况：一个交互式控件注释（可见部分）加上一个字段字典（数据部分）。当您填写表单并保存时，只有字段字典会发生变化——页面本身不受影响。
5. 矢量图形 (Vector Graphics)
使用类似PostScript的操作符（moveto、lineto、curveto）绘制的线条、形状、曲线和路径。可以无限缩放而不会损失质量。PDF中的大多数CAD导出、图表和示意图都是矢量图形。
6. 数字签名 (Digital Signatures)
基于PKI的签名，绑定到文件的字节范围。签名字典指定“字节0到12,547以及14,200到文件末尾是签名的”——中间一小段范围保留给签名值本身。任何对签名字节范围的更改都会使签名无效，这就是PDF如何检测签名后的篡改。
有些PDF有多个签名，以增量更新的形式叠加——每个签名者都会签署他们收到文件时的版本，从而保持链条的完整性。
元数据：两个并行系统
PDF有两个元数据系统，它们经常不一致：
标准/信息字典 (/Info Dictionary)
存储在尾部。字段包括：Title（标题）、Author（作者）、Subject（主题）、Keywords（关键词）、Creator（用户创建文档的应用）、Producer（生成PDF的应用）、CreationDate（创建日期）、ModDate（修改日期）。纯文本字符串，易于任何PDF工具读取。
XMP元数据流 (XMP Metadata Stream)
一个独立的XML流（Adobe XMP，基于RDF/XML），支持更丰富的模式：Dublin Core、IPTC、自定义领域特定模式（颜色配置文件、版权注册、手稿版本控制）。
现代PDF生成器会同时写入两者。旧的PDF只有/Info。有些PDF拥有来自先前版本的过时/Info和来自近期编辑的准确XMP——反之亦然。在审计PDF的合规性或进行取证时，请同时检查两者。
基于PDF构建的ISO标准
基础PDF规范是ISO 32000。有几个派生标准为特定用例约束PDF：
| 标准 | 用途 | 约束 |
|---|---|---|
| PDF/A | 长期归档 | 所有字体嵌入，无JavaScript，无音频/视频，色彩空间设备无关。符合级别：PDF/A-1、A-2、A-3（允许文件附件） |
| PDF/X | 印前制作 | CMYK色彩，嵌入字体和色彩配置文件，无透明度（PDF/X-1a）或受控透明度（PDF/X-4） |
| PDF/UA | 可访问性 | 标记结构树，语言元数据，图像的替代文本，逻辑阅读顺序 |
| PDF/E | 工程 | 3D模型（U3D、PRC格式），CAD特定元数据 |
| PDF/VT | 可变事务打印 | 针对大批量个性化邮件优化 |
一个PDF可以同时符合多个标准——PDF/A-2u（带Unicode映射的归档）加上PDF/UA（可访问性）在政府和法律档案中很常见。
线性化PDF（Web优化）
“线性化”或“Web优化”的PDF会重新排序正文，使第一页的对象提前出现在文件开头。Web查看器在仅下载约50KB后即可渲染第一页，而无需等待整个文件下载。尾部在文件开头重复，并附带一个提示表，告诉查看器每页的起始位置。
大多数现代PDF生成器支持将线性化作为“另存为Web”选项。该格式会增加2-5%的文件大小，以换取在慢速连接上的快速首页渲染。
加密与权限
PDF可以通过密码（或证书）进行加密，并授予细粒度的权限：打印、复制文本、修改、填写表单、提取以实现可访问性。加密存储在尾部的/Encrypt字典中。
加密强度已发展：RC4 40位（早期PDF，今天可轻易破解）、RC4 128位（仍然较弱）、AES-128、AES-256。最初的Acrobat 5 RC4实现于2001年公开破解；现代PDF加密（AES-256、PDF 2.0）在与强密码一起使用时是可靠的。
注意：“权限”是建议性的。尊重这些权限的查看器会强制执行。忽略这些权限的查看器（或剥离加密的工具）则不会。
PDFSub如何读取PDF
PDFSub使用Rust的PDFium绑定（与驱动Chromium PDF查看器的引擎相同）处理PDF，并使用PaddleOCR处理扫描文档。有关完整的架构细节以及与基于云的工具的比较，请参阅浏览器 vs 云PDF安全性。
要将PDF转换为其他格式同时保留上述描述的结构：
对于特定的归档工作流，请参阅如何将PDF转换为PDF/A。
延伸阅读
- ISO 32000-2 (PDF 2.0规范) - 权威参考，付费
- Adobe PDF参考档案 - PDF 1.7的免费参考
- PDF协会 - 行业工作组，免费文章和合规性测试文件
关于PDF特定主题：律师的PDF合规指南、PDF/A转换指南。