昨天事沒辦完抽空去大濕公司小坐了一會，聊了很多也有一些感觸，可喜的是公司越搞越好了，還有那么一大幫小伙跟着干，好生羡慕呢。金錢、事業、二奶、名利多收，各種光環，TVP、MVP羡煞旁人哪，我心里在想能不能不要這么囂張，最后預祝新產品路演成功。接下來吹我自己，前段時間因為工作的原因
，接觸到了PDF文件解析以及打印，當時是被虐待了，這不被虐待了的想辦法報仇不是，最近因工作比較清閑，抽空研究了幾天PDF文件格式以及WIN打印（打印下一篇單獨寫），看似一個簡單格式的PDF文件，個人感覺格式設計的還是相當復雜，涉及多方面的基礎內容，比如分辨率、壓縮算法、字體、多媒體內嵌等內容。簡單說明下今天只簡單介紹PDF格式以及通過CODE讀取和寫入PDF內容，不涉及WIN文件系統，這部分太復雜，涉及到軟硬件、文件過濾驅動等。
PDF文件由ADOBE公司設計研發的便攜式文檔，支持跨平台、字體、多媒體嵌入、加密、執行腳
本等特點。概念性的東西就簡單介紹就到這吧，接下來簡單介紹一下學習PDF
文件相關的一些資源。1.PDF格式權威指南
https://www.adobe.com/content/dam/acom/en/devnet/acrobat/pdfs/pdf_reference_1-7.pdf，ADOBE官方的，呵呵全英文的，有翻譯版本但是缺少前面4章，個人覺得這也是目前學習PDF最好的學習資料，非常詳細，也是你寫代碼解析PDF格式的權威指導者。2.開源解析庫PDFSHARP、ITEXTSHARP。PDFSHARP幾年前就沒更新了（不推介），GITHUB地址：
https://github.com/empira/PDFsharp，需要的朋友自行下載瞅瞅。比起PDFSHARP來說ITEXTSHARP這個庫目前更受歡迎，在GITHUB上有1.1kstart，並且還在維護，支持.NETCORE及.NETSTANDARD標准庫規范，GITHUB下載地址
https://github.com/itext/itextsharp，說實話這兩庫我都沒怎么看過，因為看起來比較費力，資料就是這些吧，個人建議最好先把PDF格式規范看個大概，起碼主要的格式要了解，然后自己寫代碼嘗試讀取和寫入，說白了就是一堆字節流操作，閑聊就到這，下面看實操。
對象集合初始化，PDF詳細格式我就不說了啊，說實話我了解的也不多，這種細活需要時間和精力去研究。整個實操分兩部分吧，讀取PDF和寫入PDF，我們先從讀取開始吧，我這邊整個用的是控制台程序，代碼就不貼了，處理字節流的代碼沒啥可讀性，主要是處理思路，我先用acrobatprodc工具創建一份簡單的不能再簡單的PDF文件，看圖
就一個漢字，現在我們通過FileStram結合二進制流讀取器讀取里面的內容，看內容
"%PDF-1.7\n1 0 obj\n<</Type/Catalog/Pages 2 0 R>>\nendobj\n2 0 obj\n<</Type/Pages/Kids[4 0 R]/Count 1>>\nendobj\n7 0 obj\n<<
/Filter/FlateDecode/Length 219>>\nstream\nx�]��j�0\f��y\n\u001d�Cq���`(\u001d�\u001c���}\0�R�a���\u001c��s�$�\t,\u0010��
\u0013��n�K�.��\u0014ok��:F���b\t\u001a�\u001c\u0017�g@g�2�n{\u0013\n��z\u001a\"�\u0015��,�W��(����\u0010$q���q���
\u001eC���8�Qk�6mx3���2q�0�.N���p�\u0002�S�O�!�G\u001a��$�;*�c*]���\u00051��\u0017�i��g����bfVu��ϭ���\")U�@�3
\aqLۑ�\u000f3��\u000f}�p�\nendstream\nendobj\n10 0 obj\n<</Length1 4960/Filter/FlateDecode/Length ................................ndstream
\nendobj\n9 0 obj\n<</Type/FontDescriptor/FontName/PFWAAB+�o��,Bold/Flags 32/ItalicAngle 0/FontWeight 700/Leading 0/Ascent 1058.105\n
/Descent -261.7188/XHeight 540.0391/AvgWidth 584.9609/CapHeight 756.3477/StemV 160/MaxWidth 1000/FontBBox[12.6953125 -136.23046875
985.3515625 821.77734375]\n/FontFile2 10 0 R>>\nendobj\n11 0 obj\n[3[1000]]\nendobj\n6 0 obj\n<</Type/Font/Subtype/Type0/BaseFont
/PFWAAB+�o��,Bold/Encoding/Identity-H/ToUnicode 7 0 R/DescendantFonts[8 0 R]>>\nendobj\n4 0 obj\n<</Type/Page/Parent 2 0 R
/MediaBox[0 0 595.2756 841.8898]/Contents[5 0 R]/Resources<</ProcSet [/PDF/Text/ImageB/ImageC/ImageI]\n/Font <</F2 6 0 R>>\n>>>>\
nendobj\n5 0 obj\n<</Length 55>>\nstream\nq\nq\n0 0 0 rg\nBT\n50.25 770.577 Td\n/F2 9 Tf(\0\u0003)Tj\nET\nQ\nQ\n\nendstream\nendobj\n8 0 obj
\n<</Type/Font/Subtype/CIDFontType2/BaseFont/PFWAAB+�o��,Bold/CIDSystemInfo<</Ordering(Identity)/Registry(Adobe)\n/Supplement 0>>
\n/FontDescriptor 9 0 R/W 11 0 R>>\nendobj\nxref\n0 12\n0000000000 65535 f \n0000000009 00000 n \n0000000054 00000 n \n0000000000 00000 f
\n0000003905 00000 n \n0000004072 00000 n \n0000003776 00000 n \n0000000105 00000 n \n0000004175 00000 n \n0000003445 00000 n
\n0000000392 00000 n \n0000003750 00000 n \ntrailer\n<</Root 1 0 R/ID[<474b3c8539d96eb244f8fb3f8ed789ac><474b3c8539d96eb244f8fb3f8ed789ac>]
/Size 12>>\nstartxref\n4350\n%%EOF\n"
里面大部分內容被我精簡過了，中間部分的內容基本是被壓縮過的內容，全是亂碼，需要特定的算法解壓。以上就是通過二進制流讀取PDF文件的大概內容，幾乎沒有可讀性可言啊，一般情況下如果不了解PDF格式，基本處於懵逼狀態，有強迫症的可能還會崩潰，呵呵開個玩笑哈。上面只是給大家看個全貌啊，PDF文件解析不會這么干啊。以上那坨內容具有實際解析意義的也就是前后1024個字節，在這2048個字節里面，解析工作主要是處理最后面這1024個字節。接下來我們看看具體怎么解析（思路）。
1.首先我們需要索引到交叉引用表（startxref）的地址，后面的數值對應的也就是上一個xref的起始地址，緊跟着后面就是對象總數，這里是12個間接對象。2.接着處理文件尾trailer，獲取size對象。3.把流的偏移址移動到交叉引用段xref，獲取所有間接對象，過濾掉被釋放的對象，f表示該對象被刪除。4.獲取所有間接對象的屬性，從間接對象里面獲取對象基地址如0000000009，表示該對象的流地址是9，族個解析。到此所有間接對象初始化已完成，后續就是通過key索引內容，在這里我們的目標很簡單就是讀取PDF里面的文本內容，包括x、y坐標，字體、大小、顏色等等，還原到這一步，是不是整個PDF文件都是你的菜了，看效果。
上面就是按照之前邏輯思路解析出來PDF文件的所有間接對象，上面這張圖片我大概解釋一下啊，Catalog根目錄對象，position文件流地址索引，pages文檔頁面樹的根結點，引用的是間接對象2 0 R，表示page這個間接對象在2號對象，簡單解釋就到這吧。到此我們要讀取的文本內容、坐標啥的是不是啥都沒看到？是的，確實如此，到這里只是把整個PDF文件的所有對象加載出來，而我們需要讀取的內容、坐標等信息就包含在它們里面，並且一般情況下被壓縮過。
還原文本信息，看到上面這一大坨間接對象，我們怎么找呢？1.我們索引到page這個對象，里面有個資源字典，該字典里面包含了一個間接對象6 0 R，2.接着我們索引到對象號6這個間接對象，在這個對象里面有個屬性ToUnicode引用了間接對象7 0 R，3.繼續索引到對象號7，是不是很繁瑣啊？呵呵，接着來，不要怕繁瑣，奇跡會出現的，ADOBE公司出品的必屬精品，在這個對象號里面終於發現奇跡快出現了，我們通過偏移址和長度讀取這部分二進制流，接着重頭戲來了，FlateDecode過濾器表示該部分內容通過zlib壓縮（可能會有更復雜的操作，帶參數），過濾器我的理解就是壓縮算法，文檔上面描述還支持很多如LZWDecode等等，LZWDecode同赫夫曼屬於無損壓縮，4.通過deflate解壓這部分二進制流。還有一種解析方案，直接索引Contents對象號，解析它里面的二進制流，這部分二進制流可以索引所有內容信息，或者間接引用對象，當然這部分二進制流同樣需要解壓，這里我貼出解析出來的contents和文本內容信息里面的內容吧
contents
BT
50.25 770.577 Td
/F2 9 Tf // 通過字體資源索引文本內容
文本內容
<0003> Tj /CIDInit /ProcSet findresource begin 14 dict begin begincmap /CIDSystemInfo<</Registry(Adobe)/Ordering (UCS)/Supplement 0>>def /CMapName/Adobe-Identity-UCS def /CMapType 2 def 1 begincodespacerange <0000><FFFF> endcodespacerange 1 beginbfrange <0003> <53cd> // unicode字符集，這就是我們要找的內容 endbfrange endcmap CMapName currentdict /CMap defineresource pop end end
拿到以上內容，我們的文本內容屬性就全部拿到了，有繪制坐標、字體、size、unicode字符集、編碼等內容，到現在是不是簡單的一份PDF文件，基本被我們蹂躪了？呵呵，不要急還有比較復雜的一步操作，嵌入的字體文件處理。我們知道字體ttf、ttc其實際就是一堆字符輪廓（有矢量、點、位圖），通過設備繪制輸出，接下來我們通過對象集合索引出字體文件，看，不要看我，看上面對象集合圖，這些不是亂看的啊，通過對象引用追朔下來的啊，在8號對象里面找到屬性FontDescriptor 9 0 R表示字體文件描述信息在9號對象里面，繼續索引9號對象，最終守得雲開見月明，找到屬性FontFile2 10 0 R表示trueType字體信息在10號對象，看內容。
............cvt XMTñ.......´fpgm,.·,...P.. .glyfà.3ë.. X...¨head b¬¥.......6hhea.u.....8...$hmtx.[.Í...\....loca.ý.R...l... maxp.O.....x... prep.Kî:.......Å.c.....
刪了很多信息啊，在里面是不是發現了head hmtx字樣，這就是字體文件ttf、ttc字體文件結構，透露一下啊，如果我們自己實現PDF編輯工具，字體嵌入的實現，其實際就是創建這么一個ttf、ttc字體文件。看到上面這些東西，朋友們不要心急啊，這玩意還用不了啊，因為這部分內容信息同樣壓縮了，需要解壓。我們現在還缺少一個步驟，通過字體繪制到顯示器，到這里就比較簡單了啊，拿到字體文件信息，各平台有加載ttf、ttc的類庫，直接加載，然后設置相關字體信息就完成了。題外話，整個嵌入字體文件，如果基於代碼實現還是比較復雜的啊，需要非常熟悉trueType、openType等字體結構，差不多就到這吧，寫入同樣按上面的邏輯來，當然肯里面還有些尋字節偏移址細節，需要自己多注意，
最后看看Linux上面的現實效果
就到這吧。