周末翻PDF 2.0规范的时候，重新读了一遍第7章关于页面树的定义，突然觉得PDF合并这件事从文件格式角度看其实很有意思。写篇文章记录一下。

很多开发者对PDF合并的认知停留在“找个工具拖进去点一下就行”，但如果让你从零实现一个合并功能，比如在Node.js里写一个PDF处理库，你要怎么把两个PDF拼在一起还不破坏格式？

这个问题本质上是在问：PDF文件到底是怎么组织页面和资源的。

PDF不是线性排版的，它是一个带索引的对象数据库。文件最末尾有一个叫交叉引用表的区域，里面记录了文件里每一个对象在字节流中的偏移位置。解析器打开一个PDF时，先跳到文件末尾读取交叉引用表，然后通过它定位到根对象，再一层层找到页面树。

页面树是一个典型的树形结构。根节点是Catalog对象，它有一个Pages字段指向页面树节点，这个节点包含一个Kids数组，数组里的元素可以是叶子节点（单个页面）也可以是中间节点（又一个页面树节点）。每个叶子页面对象又包含一个Contents字段，指向描述这个页面内容的内容流。

这种结构的妙处在于，合并两个PDF文件，在逻辑上就是把两棵页面树的Kids数组合并到一起，然后更新整个文件的交叉引用表。

假设有A.pdf和B.pdf，分别有3页和2页。合并后的C.pdf应该有5页。

上面说的是简单情况。实际场景里A.pdf和B.pdf可能用了同一款字体，比如都在系统里嵌入了SimSun。如果直接按偏移量重映射，合并后的文件里就会有两份SimSun的字体数据，白白增加体积。

一个好的合并实现会先比较两个文件的字体字典，如果哈希值一致，就只保留一份，然后把B.pdf里所有对该字体的引用都指向A.pdf里那份。图片资源同理。

这部分逻辑实现起来比较繁琐，因为PDF里的资源引用链路往往很深。一个页面引用一个Form XObject，Form XObject里又引用了一个Image XObject，Image XObject又引用了颜色空间。所有层级的引用都要做去重判断。

页面合并完了，理论上内容流不需要动。每个页面的Contents字段指向的内容流，描述了这个页面上所有文字、图片、路径的绘制指令，合并操作不应该修改这些指令。

但有一个特殊情况：如果两个PDF的页面尺寸不一样，比如A4竖版和A3横版合并在一起，每个页面的MediaBox和CropBox属性要各自保留，不能强行统一。阅读器在显示这个混合尺寸的PDF时，会逐页读取MediaBox来决定显示比例。

PDF支持两种交叉引用表格式：传统表格和交叉引用流。

传统表格是一段纯文本，每行记录一个对象的偏移量和生成号。优点是结构简单，容易调试。

交叉引用流是用一个特殊的对象类型来存储引用信息，可以用压缩算法压缩。优点是体积小，但解析逻辑复杂。

合并时如果用传统表格，直接在文件末尾追加新记录就行。用交叉引用流的话，需要把整个表重新编码一遍。

实际实现时会遇到各种边界情况：

如果想动手写一个，可以参考开源的pdf-lib这个Node.js库，它的

方法就是实现页面树合并的典型案例。源码里

这个类专门处理对象引用重映射和资源去重。

另外Poppler库自带的pdfunite工具，代码不到两千行，是C++实现的，也是一个很好的学习参考。它处理交叉引用表重构的方式很直接，但确实不支持加密文件和混合尺寸。

写成库和写成命令行工具的侧重点不一样。库要处理各种边缘情况、要暴露可组合的API、要考虑内存占用。命令行工具只要处理常用场景就行，代码会简洁很多。

PDF合并看起来是个简单的操作，但底层涉及对象编号重映射、页面树重构、资源去重、交叉引用表生成好几个环节。每个环节都有边界情况要处理。

理解了这些之后，再回头看那些能一键合并的工具，不管是开源命令行还是其他方案，它们做的事情本质上都跳不出这个流程。区别在于边界情况处理得是否周全、资源去重做得好不好、以及能不能处理加密文件和混合尺寸这种进阶场景。

写这篇的目的是想说明，很多看似简单的文件操作，背后的数据结构设计其实挺讲究的。PDF格式已经三十年了，但它的对象模型放到今天看依然是一个很优雅的设计。

(周末看PDF规范写的技术笔记，如有理解错误请指正。)

PDF合并的技术本质：页面树重组与交叉引用表的重构

编程语言

开发工具

后端

探索PDF合并背后的技术原理，从页面树结构到对象编号重映射，解析如何实现无损合并PDF文件。了解资源去重、交叉引用表重构等关键技术点，揭秘PDF格式设计的精妙之处。适合开发者深入理解PDF文件结构，提升处理复杂文档的能力。

命令行工具

数据结构

数据库

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

PDF合并的技术本质：页面树重组与交叉引用表的重构

PDF合并的技术本质：页面树重组与交叉引用表的重构

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐