PDF文件格式（一）：交叉引用流

在PDF-1.5版本之前，对象的交叉引用信息是存储在交叉引用表(cross-reference table)中的。在PDF-1.5版本之后，引进了交叉引用流(cross-reference stream)对象，可以用它来存储对象的交叉引用信息，就像交叉引用表的功能一样。

采用交叉引用流对象有以下几点好处：

1) 存储的信息更紧凑，并且可以引入压缩算法进行压缩

2) 提供了访问存储于对象流(ObjectStreams)中的被压缩的对象的功能

3) 提供了将来的可扩展的交叉引用流的表项类型，以便存储更多不同信息

PDF交叉引用表是PDF的重要组成部分，本文介绍的是交叉引用流(cross-reference stream)对象，这种引用表的格式是PDF的obj格式，内容是被压缩存放在obj下的stream中，因此比常规的引用表格式复杂。下面就开始介绍这种交叉引用表的格式和解析的方法：

1 定位最初始位置：

交叉引用表方法一样，需要到文件尾部找到"startxref"后面的数字，就是第一个交叉引用表的位置（PDF交叉引用表是倒序的，应该说是最后一个）。

2 解析交叉引用表obj内容：

取出obj内DecodeParms，W, Index，size，Prev ，stream内容

DecodeParms是解压缩参数，针对当前Obj有stream内容的情形，解压缩stream内容使用（解压缩部分后续再说）

W的值是数组，数组里面有三个数字，表示的是交叉引用表三个元素（type，file offset，generation）信息在stream内容需要读取的长度；

Index的值也是数组，数量是偶数个，两两一组，表示交叉引用对应obj的起始obj号和范围；

Prev的值是下一个交叉引用表的位置（准确的说应该叫上一个，因为PDF交叉引用表是倒序的，为了描述方便）；

stream的内容是交叉引用表的实际内容，交叉引用相关信息被处理，再被压缩

3 多个交叉引用表

当文档内有多个交叉引用表时，当前引用表obj的prev内容保存的是下一个交叉引用表的位置，如果当前引用表时最后一个，那么当前obj找不到Prev。

在解析多个交叉引用表时，需要不断查找当前obj下是否存在prev，如果不存在，则停止查找，说明交叉引用表到此是最后一个，在交叉引用表尾都会部有startxrf字段，后面的数字就是当前交叉引用表位置。因此，在最开头去文件尾部查找startxrf，也是在查找第一个交叉引用表尾部的startxrf。

这里第一个引用表的Prev是541882，找到541882（0x844ba）位置如下:

105 0 obj仍然是交叉引用表obj，里面还有Prev，在endobj后面跟着startxrf（当前交叉引用表位置）。

注意：有时候startxrf记录的不是当前obj的位置，准确的方式是使用引用表obj内的Prev判断。

下面结合实例，看一下交叉引用表时如何被解析出来的：

这是一段PDF文档内容：

可以看到，在PDF尾部的startxrf的是572618，对应的位置是8bcca，正好是116 0 obj，这里的Index是[1 1 4 1 12 1 106 11]，表示这段交叉引用表保存的是1号obj，4号obj，12号obj，106号至117（106+11）号obj（106,107,108,109....117）；W是[1 3 0]；接下来是stream内容，下面是一段解压之后的stream内容：

第一个字节是type内容，0表示f，1表示n，2表示o；2到4字节是offset值，二进制存储，得到结果是542265，最后由于W数组最后一个是0，所以不读取stream数据，generation值为0；从stream起始位置对应Index的顺序（两两一组）最后得出交叉引用表的信息：1号obj，type是n,位置在542265，generation是0,；好了现在找到了交叉引用表的1号obj，我们到542265位置看一下：