Python解析PDF文件--PDF文件数据结构_pdf解析

引言

        要解析PDF文件，获取其中的数据，那么了解PDF的数据结构是很有必要的一件事。

PDF文件数据组成

        ①document content文档内容，是在它们之间具有链接的多个对象，形成有向图。这些对象描述了文档的结构（页面，元数据，字体和资源）。

        ②page content页面内容，描述了使用一系列操作符将文本和图形放在一个页面上。

        ③file structure文件结构，包括header(文件头)，trailer(文件尾)和交叉引用表，帮助程序找到并读取文件的内容。

文档结构（总图）

---

        PDF文件可以拆分为上述部分，对于我们来说，主要偏向于Document Catalog部分，这部分包含了PDF中的各种数据，我们可以提取文本数据、增减水印等等。

Document Catalog

        概念：文档目录是主对象图的根对象，可以通过间接引用从中到达所有其他对象。

        主要关注两个部分：Page Tree 和 Document Outline。Page Tree其实就是页面对象集合，Document Outline 这个就是书签，俗称就是目录，与WPS中自动生成的目录相似。

        Python去读PDF文件第三方包介绍：       

        pdfplumber可以对PDF文件进行读取，读取后得到一个 pdfplumber.pdf.PDF 对象，而不是Document对象，里面包含有pages方法，但是没有获取书签的的方法。

        pdfplumber官方文档介绍：pdfplumber/README-CN.md at stable · hbh112233abc/pdfplumber · GitHub

        fitz库，底层是用P有MuPDF来读取来读取PDF文件，可以得到document对象，这个可以通过get_toc()方法来获取PDF文件的书签目录，但是需要注意的是，我尝试对PDF文件进行拆分，拆分后的PDF文件无法获取到对应的书签目录。

        PyMuPDF官方文件介绍：Document - PyMuPDF 1.22.3 documentation

Page Tree

        概念：DF文档中的页面字典汇集了使用这些指令使用的资源（字体，图像和其他外部数据）绘制图形和文本内容的说明。 它还包括页面大小，以及定义裁剪等的许多其他框

        主要关注Content即可，这里面就是PDF页面的展示内容

/F0 36.0 Tf
(Hello, World!) Tj

Tj运算符就是展示的数据，对于大部分的水印其实也是通过Tj来添加

         Python去除水印的第三方库：PyPDF，pdfplumber都可以。

   总结

        简单介绍了一下PDF文件底层的文件结构，可以让我们在对PDF文件进行开发的时候，有一个基本的了解，那些数据是可以获取到的，不同的需求选择合适的第三方库来解决。当然每一个第三方库都有各自的优缺点，所以往往在一个需求中，为了最后拿到的数据准确性更高，选择多个库相互结合可能会更好。

        如果想要更加详细的属性功能可以在参考文件中进一步了解，也许我们无需从零开始构造PDF，但是我们可以了解PDF的实现方式，这有利于在解析PDF文件的时候，知道这部分数据可以在哪里获取。

参考文件：

PDF Explained （译作《PDF 解析》） | PDF-Explained (zxyle.github.io)