跳到主要内容

PDF 格式（跨平台文档）

PDF（Portable Document Format，便携式文档格式）由 Adobe 公司 1993 年发布（现为 ISO 32000 标准），采用 PostScript 语言子集描述页面布局。通过嵌入字体、矢量图形和压缩算法实现跨平台格式一致性，支持数字签名、注释和权限控制，是电子书、学术论文和官方文件的通用分发格式。

格式简介​

PDF 是一种用于呈现文档的独立于应用软件、硬件和操作系统的文件格式。PDF 文件可以包含文本、图形、链接、表单字段、音频、视频和业务逻辑等元素，并且能够保持文档的原始格式和布局，无论使用什么设备或软件查看。

PDF 格式最初由 Adobe 开发，2008 年成为开放标准（ISO 32000），现在由 ISO 委员会维护。PDF 文件扩展名通常为 .pdf，MIME 类型为 application/pdf。

技术特点​

核心特性​

  • 跨平台一致性：在任何设备上显示效果相同
  • 字体嵌入：可以嵌入字体，确保文档显示一致
  • 压缩支持：支持多种压缩算法（Flate、LZW、JPEG 等）
  • 矢量图形：支持矢量图形，缩放不失真
  • 安全性：支持密码保护、数字签名、权限控制
  • 交互性：支持表单、链接、书签等交互元素

PDF 版本​

  • PDF 1.0-1.3：早期版本，基础功能
  • PDF 1.4：支持透明度、JavaScript
  • PDF 1.5：支持对象流、交叉引用流
  • PDF 1.6：支持 3D 注释、OpenType 字体
  • PDF 1.7：成为 ISO 32000-1:2008 标准
  • PDF 2.0：ISO 32000-2:2020，增强安全性和可访问性

文件结构​

PDF 文件由以下部分组成：

%PDF-1.7                    # PDF 版本标识
[对象]                       # PDF 对象（页面、字体、图像等）
xref                        # 交叉引用表
trailer                     # 文件尾
%%EOF                       # 文件结束标记

主要对象类型​

  • 页面对象（Page）：定义页面内容和属性
  • 字体对象（Font）：定义使用的字体
  • 图像对象（Image）：嵌入的图像数据
  • 流对象（Stream）：压缩的数据流
  • 字典对象（Dictionary）：键值对结构
  • 数组对象（Array）：有序对象列表

使用场景​

适用场景​

  • 电子书：电子出版物、电子杂志
  • 学术论文：期刊论文、学位论文
  • 官方文档：政府文件、法律文档、合同
  • 技术文档：产品手册、技术规范
  • 表单：可填写的 PDF 表单
  • 演示文稿：幻灯片、报告

优缺点​

优点：

  • 跨平台显示一致
  • 文件体积相对较小（压缩后）
  • 支持交互元素和多媒体
  • 安全性好，支持加密和签名
  • 广泛支持，几乎所有设备都能查看

缺点：

  • 编辑相对困难（需要专业工具）
  • 某些复杂布局可能在不同查看器中显示略有差异
  • 文件结构复杂，解析需要专业知识

代码示例​

Python 读取 PDF​

import PyPDF2

# 读取 PDF 文件
with open('document.pdf', 'rb') as file:
    pdf_reader = PyPDF2.PdfFileReader(file)
    
    # 获取页数
    num_pages = pdf_reader.numPages
    
    # 读取文本
    for page_num in range(num_pages):
        page = pdf_reader.getPage(page_num)
        text = page.extractText()
        print(text)

Python 创建 PDF​

from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas

# 创建 PDF
c = canvas.Canvas("output.pdf", pagesize=letter)

# 添加文本
c.drawString(100, 750, "Hello, PDF!")

# 保存
c.save()

使用 pdfplumber 提取表格​

import pdfplumber

with pdfplumber.open('document.pdf') as pdf:
    for page in pdf.pages:
        # 提取表格
        tables = page.extract_tables()
        for table in tables:
            for row in table:
                print(row)

相关工具​

  • Adobe Acrobat：官方 PDF 编辑器
  • PDF Reader：各种 PDF 阅读器（Adobe Reader、Foxit Reader 等）
  • 在线工具：PDF 合并、分割、转换等在线服务
  • 编程库：
    • Python: PyPDF2、pdfplumber、reportlab、fpdf
    • Java: Apache PDFBox、iText
    • JavaScript: pdf.js、pdf-lib

相关链接​

参考​