便携式文档格式(英语:Portable Document Format,缩写:PDF)是是一种用独立于应用程序、硬件、操作系统的方式呈现文档的文件格式。每个PDF文件包含固定布局的平面文档的完整描述,包括文本、字形、图形及其他需要显示的信息。1991年,Adobe Systems共同创始人约翰·沃诺克提出的名为“Camelot”的系统演变成PDF。 如今,PDF文件除平面的文本和图形外,还可能包括逻辑结构元素,注释、表单、图层、富媒体(包括视频内容)之类的交互元素,使用U3D或PRC的三维对象,以及多种其他数据内容。PDF规范还提供了启用这些功能时所需的加密功能、数字签名、文档附件和元数据等。
历史Adobe Systems在1993年免费提供了PDF规范,当时与PDF一起竞逐跨平台文档格式的,还包括 DjVu(仍在开发中)、Envoy(英语:Envoy (WordPerfect))、Common Ground Digital Paper、Farallon Replica 及 Adobe 自己本身的 Postscript(.ps)格式。在万维网及HTML文本尚未兴起时,PDF在桌面出版工作流技术当中很受欢迎。PDF起初为Adobe所控制的专有格式(英语:proprietary format),直到2008年7月1日才被官方以开放标准发行,并由国际标准化组织以 ISO 32000-1:2008 发布。 此后,标准的控制权便移转到了产业专家志愿者所组的ISO委员会底下。2008年,Adobe在 ISO 32000-1 发布了公共专利许可,对于制作、使用、销售及发布PDF兼容的应用所需的专利,皆赋予买断式授权。
PDF 1.7 含有一些Adobe所定义的专有技术,如Adobe XML表单结构(XFA)和Javascript中对Acrobat的扩展。这些技术被 ISO 32000-1 引用为对于该规范之完整实现不可或缺且规范性的,但是它们并没有被标准化,其规格也只有发布在Adobe的网站上。这些技术大部分也没有被热门的PDF第三方实现所支持。
2017年7月28日,发布了 ISO 32000-2:2017(PDF 2.0)。ISO 32000-2 不将任何专有技术当作是规范性引用文件。
技术基础PDF主要由三项技术组成:
- 派生自Postscript页面描述语言的子集,用以生成和输出图形。
- 字体嵌入/替换系统,可使字体随文件一起传输。
- 结构化的存储系统,用以绑定这些元素和任何相关内容到单个文件,带有适当的资料压缩系统。
Postscript
Postscript是一种运行于解释器以生成图像的页面描述语言,一个需要大量资源的进程。不仅能处理图形,也具有if
及loop
之类命令的标准编程语言特性。PDF很大程度上基于Postscript,但做了简化,以移除像这样的流控制特性,还保持着lineto
之类的图形命令。
通常,类Postscript的PDF代码产生于Postscript源文件。以Postscript代码输出的图形命令被收集并标记;其中文档所引用的任何文件图像或字体也被收集,然后每一件都被压缩成单个文件。由此,整个的Postscript领域(字体、输出、计量)得以保持完整。
作为一个文档格式,PDF相比较于Postscript有一些优势:
- PDF包含已标记和解析的Postscript源代码,以在修改PDF页面描述中的项与修改所产生的页面造型之间直接保持一致。
- PDF(自1.4版)支持真图形透明度;Postscript不支持。
- Postscript是一种带有隐形全局状态的直译编程语言,因此伴随着一页的指令能任何后续页面的表现。因此,Postscript文档中所有先前的页面必须经过处理以决定所给出的页面的正确的表现,而PDF文档中的每一页不受其他因素的影响。结果PDF查看器允许用户迅速跳转到长文档的最后一页,而一个Postscript查看器需要在能够显示目标页面之前继续地处理所有的页面(除可选Postscript文档结构规范(英语:document Structuring Conventions)已被周密地遵守外)。
文件结构
PDF文件是COS("Carousel" Object Structure,Carousel对象结构)格式的子集。COS也伴随着FDF文件。COS树文件主要由对象组成,其中有八种类型:
- 布尔值,表示true或false
- 数字
- 字符串
- 名称
- 数组,对象的指令性集合
- 字典,按名称索引对象的集合
- 字符串流,通常包含大量数据
- 空对象
对象可以是直接(嵌入其他对象)或非直接的。直接对象以对象号及代号编号。称为xref表的索引表赋予每个对象从文件开头起的字节偏移量。这一设计允许有效的随机存取到文件中的对象,还允许无需重写整个文件(增量更新)即可做出小的改动。从PDF 1.5版开始,非直接对象也可位于称为“对象流”的字符串流中。这一增加文件大小的技术有大量小的非直接对象,并且对置标PDF特别有用。
PDF文件有两种输出方式:非线性(非“优化”)和线性(“优化”)。非线性PDF文件比线性的占用更小的硬盘空间,即使因为一部分的数据要求文档中的集合页面通过PDF文件分散开而访问更慢。线性PDF文件(也称“优化”或“web优化”PDF文件)以使得网页浏览器插件无需等待下载整个文件来阅读的方式构建,自从它们以线性方式写入硬盘(如同页面顺序)开始。PDF文件可用Adobe Acrobat软件或QPDF优化。
图像模式
图形在PDF中呈现的基本设计是以非常类似于Postscript中的方式,除了PDF 1.4增添的透明度的使用。
PDF图形使用设备独立性(英语:device independent)笛卡儿坐标系来描述页面的外观。一个PDF页面描述可使用矩阵来缩放、旋转或错切图形元素。PDF中的一个主要概念是图形状态,即是可能会通过页面描述修改、保存或还原的图形参数的集合。PDF有(如在1.6版)24种图形状态属性,其中最重要的有:
- 当前变换矩阵(CTM),决定坐标系
- 剪切路径(英语:clipping path)
- 色彩空间
- 阿尔法复合(英语:alpha compositing),透明度的关键部分
矢量图
PDF中的矢量图如同在Postscript当中一样,是由路径组成的。路径通常由直线和多项的贝兹曲线组成,但也可以从文本的外廓构建。不同于Postscript,PDF不允许带直线和曲线的单一路径去组合文本外廓。路径可被描绘、填充或用于剪取(英语:clipping path)。描绘和填充可用任意图形状态中的色彩集,包括式样。
PDF支持多种调色板类型。最简单的是瓷砖式样,其中艺术作品的一部分被指定以被重复地绘制。这可能是彩色瓷砖式样,带有在式样对象中的指定的颜色,或是延迟色别编码到式样已绘制时候的没有颜色的瓷砖式样。从PDF 1.3开始还有了底纹式样, 连续绘制不同的颜色。七种底纹式样中最简单的是轴向底纹(Type 2)和径向底纹(Type 3)。
位图
PDF中的位图(称作Image XObjects)由带相关字符串流的字典呈现。字典描述了图像的属性和包含图像数据的流。(少见的是,位图或许会作为一个内嵌图像被直接嵌入于页面描述。)图像通常出于压缩的目的过滤。PDF中支持的图像过滤器包含了常用的过滤器
- ASCII85Decode 用于把字符串流放入7位ASCII的过滤器
- ASCIIHexDecode 类似于ASCII85Decode,但兼容性低
- FlateDecode 基于RFC 1950及RFC 1951所定义的zlib/deflate算法(亦即gzip,但不是zip)的常用过滤器;引入于PDF 1.2;可用两组预测功能中的一组以进一步兼容zlib/deflate算法:出自TIFF 6.0规格中的Predictor 2和来自PNG规格(RFC 2083)的预测器(过滤器)
- LZWDecode 基于LZW算法的过滤器可用两组预测功能中的一组进一步兼容LZW压缩:出自TIFF 6.0规格中的Predictor 2和来自PNG规格的预测器(过滤器)
- RunLengthDecode 使用游程编码算法和图像指定的过滤器的用于带重复数据的字符串流的简单的压缩算法
- DCTDecode 基于JPEG标准的有损过滤器
- CCITTFaxDecode 基于ITU-T T.4和T.6中定义的Group 3或Group 4 CCITT(ITU-T)传真压缩标准的无损二值(黑白)过滤器
- JBIG2Decode 基于JBIG2标准的有损或无损二值(黑白)过滤器,引入PDF 1.4
- JPXDecode 基于JPEG 2000标准的有损或无损过滤器,引入PDF 1.5
通常PDF中包含的所有图像嵌入于图像,但PDF允许图像数据通过使用外部字符串流或替代图像存储于外部文件。PDF的标准子集,包括PDF/A和PDF/X,禁止这些特性。
文本
文本在PDF中以页面内容字符串流中的“文本元素”呈现出来。一个文本元素指定字符应在指定位置描绘。字符用所选字体源的编码指定。
字体
PDF中的字体对象是对数码字体的描述。可能是字体中的字符的描述,或者是包含嵌入的字体文件。后者叫嵌入字体,前者叫非嵌入字体。所嵌入的字体文件基于广泛使用的标准数码字体文件:Type 1(及其压缩版变种CFF)、TrueType和(自PDF 1.6版起)OpenType。另外PDF支持由PDF图形处理器描述的字体组件中的Type 3变种。
Standard Type 1字体(Standard 14字体)
以Standard 14字体著称的四种字体在文档中PDF有特别的意义:
- Times(v3,常规、斜体、粗体和粗斜体)
- Courier(常规、斜体、粗体和粗斜体)
- Helvetica(v3,常规、伪斜体、粗体和粗伪斜体)
- Symbol(英语:Symbol (typeface))/Zapf Dingbats(英语:Zapf Dingbats)
这些字体有时称作base 14字体。这些字体或有相同度量的合适的替代字体,必须能用在所有PDF阅读器上,而且不必嵌入PDF。PDF查看器必须掌握这些字体度量。否则字体如果没有嵌入PDF就可能会被替换。
编码
文本字符串中,字符用以编码映射字形于当前字体的字符代码(整数)显示。预定义的编码有多种,包括WinAnsi、MacRoman,以及大量东亚语言编码,而且字体可以有自己的编码。(即使WinAnsi和MacRoman编码取自Windows和Macintosh操作系统中历史上的专有编码,用这类编码的内容在任何平台上都运行的好。)PDF可以指定可以使用的预定义的编码、字体内置编码,或者提供预定义或内置编码的查询表(不对TrueType字体推荐)。PDF中的编码机制是为Type 1字体设计的,而且应用到TrueType字体的规则是复合的。
对于大型字体或者带非标准字形的字体,特殊编码Identity-H(用于横写)或Identity-V(用于竖写)被使用。如果关于字符的语义信息被预定义,这类字体有必要提供ToUnicode表。
透明度
PDF的原始图像模型像Postscript的opaque:页面上描绘的每个对象完全替换先前在同一位置标记的任何东西。在PDF 1.4中图像模型被扩展以允许透明度。使用透明度的时候,新对象与先前标记的对象相互作用产生混合的特效。透明度添加到PDF由写到PDF 1.3及早期的规格的产品中被忽略设计的新的扩展方法完成。结果,使用少量透明度的文件在旧的查看器中可能会以被接受地视图查看,但大量用透明度的文件在旧的查看器中会显示不正确而没警告。
透明度扩展基于透明度组、混合模式、形状和alpha的关键概念。这一模式紧密对应Adobe Illustrator 9的特性。混合模式基于当时Adobe Photoshop所用的。PDF 1.4规格出版的时候,用于计算混合模式的公式被Adobe保密。此后它们被公布。
PDF规格中透明度组的概念独立于Adobe Illustrator之类的应用中已有的“组”或“层”的概念。那些反映对象之上的逻辑关系的分组在编辑那些对象的时候有意义,但不是图像模型的一部分。
交互式元素
PDF文件或许包含注释、表单、视频和Flash动画之类的交互式元素。
富媒体PDF是一个用来描述可以嵌入或链入PDF的交互式内容的术语。这一内容必须用Flash文件格式提供。Adobe收购Macromedia的时候,公司的主业是Flash,而且Flash播放器被嵌入Adobe Acrobat,Adobe Reader,移除了用于Flash、QuickTime或Windows Media之类第三方插件的需。不幸的是,这造成QuickTime视频从PDF被禁这样与苹果公司的裂痕。富媒体专家Robert Connolly(英语:Bob Connolly (Canadian film director)#Books.2C eBooks and Magazine Articles)相信这一事件引发了苹果与Adobe之间Flash iPhone/iPad争论之上的冲突。富媒体PDF将不在苹果的iPad之类的iOS设备上操作,而且交互性受到限制。
交互式表单是一个添加表单到PDF文件格式的机制。
PDF当前支持用于集成数据和PDF表单的两种不同的办法。两种格式今天并存于PDF规格:
- AcroForms(又叫Acrobat forms)引入PDF 1.2格式规格并包含于所有后来的PDF规格。
- Adobe XML表单架构(英语:XML Forms Architecture)(XFA)的表单,引入PDF 1.5格式规格。XFA规格没有包含于PDF规格,仅仅作为可选特性参考。Adobe XFA表单不与AcroForms兼容。
AcroForms
AcroForms于PDF 1.2格式被引入。AcroForms准许使用对象(如文本框、选择钮等)及一些代码(如Javascript)。
在标准PDF动作类型之外,交互式形式(AcroForms)支持提交、重置和导入数据。“提交”动作传送所选表单字段和值的名称给指定的统一资源定为符(URL)。交互式表单字段名称和值或许会被以任意格式提交(取决于输出格式、提交的PDF和XFDF旗标的设置):
- HTML表单格式(自PDF 1.5起用HTML 4.01规格;1.2起用HTML 2.0)
- 表单数据格式(Forms Data Format,FDF)
- XML表单数据格式(XML Forms Data Format,XFDF)(扩展XFDF规格,2.0版;自PDF 1.5起被支持;在PDF 1.4中替换XML表单提交格式定义)
- PDF(整个文档可以被提交,而不是单独的字段和值)。(PDF 1.4中定义)
AcroForms可以保持表单字段于包含key:value组合的外部的单独的文件。内部的文件可能使用FDF和XFDF文件。使用权(UR)签名定义导入表单数据文件以FDF、XFDF及文本(CSV/TSV(英语:delimiter-separated values))格式,及以FDF及XFDF格式从数据文件导出文件的权利。
表单数据格式(FDF)
扩展名 | .xfdf |
---|---|
互联网媒体类型 | application/vnd.adobe.xfdf |
类型代码(英语:Type code) | 'XFDF' |
开发者 | Adobe Systems |
初始版本 | 2003年7月 | (引用于PDF 1.5)
最新版本 | 3.0 2009年8月,12年前 |
延伸自 | PDF、FDF、XML |
标准 | ISO 19444-1:2016 |
XML表单数据格式(XFDF,XML Forms Data Format)是表单数据格式的XML版,但XFDF只执行FDF内含表单及注释的子集。FDF字典中的一些词条没有等价于XFDF的,像是状态、编码、Javascript、页面关键字、嵌入式FDF、差异和目标。此外,XFDF不允许在基于已给定的数据的新页面大量生成或者添加;就像使用FDF文件的时候能被完成的一样。XFDF规格被引用于(但不包含于)PDF 1.5规格(及其以后的版本)。它被单独描述为“XML表单数据结构规格”(XML Forms Data Format Specification)。PDF 1.4规格允许以XML格式提交表单,但在PDF 1.5规格中以XFDF格式提交取代。XFDF符合XML标准。
到2016年12月,XFDF 3.0在ISO 19444-1:2016 – document management – XML Forms Data Format – Part 1: Use of ISO 32000-2 (XFDF 3.0)的名义下成为ISO/IEC标准。这个标准是ISO 32000-2的规范性参考资料。
XFDF可用以和FDF相等的方式,如提交表单数据给服务器,做出修订,然后返回,并且新表单数据被导入到交互式表单。它还可以用来导出表单数据到能被导回到相应的PDF交互式表单的单独的文件。
Adobe XML表单架构(XFA)
PDF 1.5格式中,Adobe Systems引入了新的、专有的表单格式,名为Adobe XML表单架构(XFA)。XFA 2.02引用在PDF 1.5规格(及以后的版本),但单独描述为《Adobe XML Forms Architecture (XFA) Specification》,有多个版本。XFA规格没有包括在ISO 32000-1 PDF 1.7并仅仅作为由Adobe创建的外部专有规格引用。在ISO 32000-2(PDF 2.0)当中被弃用。
Adobe XFA表单不与AcroForms兼容。Adobe Reader包含使用XFA表单的“禁用特性”,仅在打开只来自Adobe的可行的技术创建的PDF文档时激活。XFA Forms不兼容于Adobe Reader 6以前的版本。
XFA表单可创建或用作PDF文件或作为XDP(XML数据包(英语:XML Data Package))文件。PDF中XFA源的格式由XML数据包规格描述。XDP可能作为单独的文档,也可能在PDF文档的内部携带。XDP提供打包周边XML容器内部的表单组件的机制。XDP也可以打包一个PDF文件,伴随XML表单和模板数据。PDF可能包含XFA(在XDP格式中),XFA也可能包含PDF。在用于XFA表单XFA(XML表单架构)语法从一个应用移到另一个应用的时候,它们必须以XML数据包封装。
当PDF和XFA结合在一起,结果是任意页面中的XFA表单覆盖了PDF背景。这一架构有时被提作XFAF(XFA Foreground,XFA前景)。替代方法是直接在XFA(不用PDF,或者只用带有PDF标记的最小构造XFA的容器的“外挂PDF”,或用静态XFA表单的预渲染描述作为PDF)展开所有表单,包括样板文件。这有时被称为全XFA。
PDF 1.5开始,可变文本字段的文本内容,以及标记注解可能包含格式信息(样式信息)。这些富文本字符串是符合XML表单架构规格2.02(本身是XHTML 1.0规格的子集)定义的富文本惯例的XML文档,扩展了CSS2样式属性中受限的设置。PDF 1.6中,PDF支持XML表单架构(XFA)规格2.2定义的富文本元素和属性。PDF 1.7中,PDF支持XML表单架构(XFA)规格2.4定义的富文本元素和属性。
多数PDF处理器不处理XFA内容。生成外挂PDF的时候会被建议包含于PDF标记的一个简单的单页PDF图像显示警告(如:“为了查看本文档的全部内容,你需要新版PDF查看器”等。)能渲染XFA内容的PDF处理器应该不现实警示页面图像或者以动态表单内容迅速替换。带有一些XFA渲染功能支持的PDF软件的例子包括Adobe Reader for Windows、Linux、Mac OS X(但不是Adobe Reader Mobile for Android / iOS)或Nuance PDF Reader。
逻辑架构与可读性
“标签”PDF(ISO 32000-1:2008 14.8)含有文档架构和语义信息,以允许可靠的文字抽取及使用。技术上来说,标签PDF是创建在PDF 1.3 所引入的逻辑结构框架上,对于其格式的程式化使用 。标签PDF定义了一组标准结构类型及属性,允许页面内容(文本、图形和图片)之后被提取并再利用于其他用途。
当PDF文件仅供打印时,并不要求支持标签PDF。因为此一特色是非必须的,且 ISO 32000-1 对于标签PDF的规则相对模糊,所以在消费性设备当中,包括辅助技术(AT)(英语:Assistive technology),标签PDF的支持参差不齐。
一个专门针对可读性、为ISO标准之子集的PDF规格:PDF/UA 于2012年首次发布。
安全和签名
一份PDF文件可能以用于验证的担保或者数字签名加密。
由Acrobat PDF提供的标准担保以两种不同的方法及两种不同的密码组成,用户密码,加密文件并阻止开启;所有者密码,指定即使文档被解密的时候应该被限制的操作,可以包括:打印、从文档复制文本和图像、修饰文档,或者添加或删除文本注释和AcroForm字段。用户密码(控制开启)加密文件并要求密码破解(英语:password cracking)以去除,难度取决于密码长度及加密算法——它可能非常安全(假设好的密码及加密算法没有已知的攻击手法)。所有者密码(控制操作)不加密文件,相反取决于客户端软件以遵循这些限制,并且不安全。所有者密码可以被许多通常可用的PDF破解软件移除,包括一些自由的在线服务。由此,文档作者放在PDF文档中的使用限制不安全,而且不能在一旦文件被散布时保证;这一危险在使用Adobe Acrobat软件以创建或编辑PDF文件应用这类限制的时候显现出来。
即使没有移除密码,许多免费或开源PDF阅读器忽略权限“保护”并允许用户打印或者做文本摘要的复制,就像文档没被密码保护限制一样。
一些解决方案像Adobe的LiveCycle Rights Management更强化信息权利管理的方式,不仅能限制谁能打开文档,而且以标准的安全处理程序做不到的方式可靠的执行权限。
使用权
从PDF 1.5起,使用权(UR)签名用来启用在一些PDF查看器应用中不是默认的附加的交互式特性。这一签名用来验证由真实的授权机构赋予的许可。例如,它可以允许用户:
- 保存伴有修订表单和/或注释数据的PDF文档
- 从FDF、XFDF和文本(CSV/TSV)格式中的数据文件导入
- 从FDF和XFDF格式中的数据文件导出
- 从数据提交
- 从命名的页面模板具体呈现新页面
- 应用一个数码签名到已有的数码签名表单字段
- 创建、删除、修正、复制、导入、导出注释
例如,Adobe Systems在Adobe Reader中授权启用附加特性,使用公钥密码学。Adobe Reader使用从一个Adobe授权的权威认证的验证那个签名。PDF 1.5规格宣称其他PDF阅读器应用可以为他们自己的目的自由使用这一相同机制。
文件附件
PDF文件可以有文档级和页面级的文件附件,读者可访问并打开或存储于本地的文件系统。PDF附件可作为示例用pdftk加到已有的PDF文件。Adobe Reader提供对附件的支持,而且基于Poppler的阅读器如Evince或Okular也有对文档级附件的支持。
元数据
PDF文件可包含两种类型的元数据。第一种是文档信息字典,一套像作者、标题、主题、创建及更新日期的关键字/值字段。这存储于可选的文件尾部。有一小组字段是有定义的,而且如果有需要,可以用附加的文本字段扩充。
后来在PDF 1.4中,对元数据流的支持被加入,用可扩展元数据平台(XMP)来添加像在其他文件格式那样的基于XML标准的可扩展的元数据。这允许元数据附加到文档中的任何字符串流,诸如关于嵌入式插图的说明,以及整个文档(附加到文档目录),使用可扩展的纲要。