PDF數(shù)字界的紙張：科普向

PDF 是我們打交道最多的文件格式之一。提到這個(gè)格式，即使是對(duì)技術(shù)并不熟悉的用戶，也能說出「通用性好」、「格式不會(huì)亂變」這些優(yōu)點(diǎn)。但同時(shí)，PDF 也是讓我們感到困惑最多的格式之一，因?yàn)榕c Word 文檔等其他常見辦公軟件格式相比，PDF 似乎有著太多的「怪癖」，例如復(fù)制文字困難、幾乎沒法編輯等等。PDF 軟件數(shù)量繁多、質(zhì)量良莠不齊的現(xiàn)狀，也進(jìn)一步讓很多用戶無法正確理解和使用 PDF。

然而，事實(shí)并非如此。這些問題大多不是 PDF 格式的「缺陷」，而是因?yàn)槲覀冊(cè)谟^念上把 PDF 當(dāng)成了和其他辦公文檔格式相近的東西，并因此期待 PDF 也具有和后者相似的功能和特征。

盡管 PDF 格式和 Word 格式在實(shí)際用途上有諸多重疊之處，但那只是表面現(xiàn)象。從技術(shù)角度看，兩種格式之間的差異要遠(yuǎn)遠(yuǎn)大于 Word 文檔和網(wǎng)頁之間的差異，甚至還要大于 Word 文檔和 Excel 表格之間的差異。

但這并不意味著 PDF 就是一種難以理解的格式。恰恰相反，對(duì)大多數(shù)用戶來說，PDF 可能是他們接觸到的格式中最「接地氣」、與現(xiàn)實(shí)生活最接近的。因?yàn)�，PDF 與其說是一種數(shù)字文檔，不如說是實(shí)體文檔在數(shù)字世界中的影像。對(duì) PDF 的操作，很大程度上可以看成對(duì)真實(shí)紙張的操作，只是操作環(huán)境從物理世界換到了數(shù)字世界而已。PDF 的創(chuàng)建就是一種虛擬的打印，復(fù)制 PDF 文字的過程更像是一種抄寫，而 PDF 的編輯實(shí)質(zhì)上是一種涂改。

一旦接受了這個(gè)觀念，PDF 的很多「怪癖」就顯得順理成章了：打印出來的東西當(dāng)然不會(huì)因?yàn)槲恢玫淖兓�而改變外觀；抄寫的結(jié)果很可能與原文存在誤差，并且受制于抄寫者對(duì)文字的理解；涂改的可行性則取決于原有布局留下了多少改動(dòng)空間，并且再輕微的涂改也會(huì)對(duì)紙張?jiān)斐蓳p傷。

當(dāng)然，只給出這樣的結(jié)論并不足以令人信服。因此，下文的主要任務(wù)就是通過回答幾個(gè)關(guān)于 PDF 格式普遍關(guān)心的問題，結(jié)合 PDF 的結(jié)構(gòu)和語法，解釋為什么「PDF 的本質(zhì)就是數(shù)字化的紙張」，從而深化對(duì) PDF 格式的理解。

為什么 PDF 的外觀非常穩(wěn)定？

在我們?nèi)粘Ｊ褂玫奈臋n格式中，PDF 文件的外觀是最穩(wěn)定的。一經(jīng)生成，無論在什么操作系統(tǒng)上、用什么軟件打開，得到的顯示效果幾乎總是一致的。相比之下，Word 所使用 docx 格式的保真性就差得多了：哪怕只是換臺(tái)電腦，顯示效果都可能發(fā)生了變化，更不要說用不同版本的 Word 或者第三方軟件打開了。

PDF 的這種保真性讓它廣受青睞，但它究竟是如何做到這一點(diǎn)的？PDF 的穩(wěn)定是絕對(duì)的嗎？

「打印」出來的 PDF

如果平時(shí)注意觀察，容易發(fā)現(xiàn)各種軟件中涉及 PDF 的操作，用詞都比較特別。其他格式都是被「新建」（new / create）出來或者「保存」（save）下來的，只有 PDF 是被「導(dǎo)出」（export）甚至「打印」（print）出來的。這些詞語并不是隨意選用的，它們本身就說明了 PDF 的重要特征：「導(dǎo)出」暗示著文件編輯已經(jīng)告一段落，而「打印」則更是形象地表明 PDF 的創(chuàng)建是一個(gè)「固化」的過程。

為了進(jìn)一步理解這種區(qū)別，讓我們來對(duì)比一組外觀上完全相同的 Word 文檔和 PDF 文檔。下圖中，右側(cè)的 PDF 格式文件是由左側(cè)的 Word 文件導(dǎo)出得到的，兩者的內(nèi)容都只有「Hello world！」一行居中文字。（注：為了避免不必要的復(fù)雜性，我們暫時(shí)只以英文文檔為例。）

PDF數(shù)字界的紙張：科普向圖一

先來看 Word 是如何實(shí)現(xiàn)這一版式效果的。用任意解壓工具將該文檔解開（docx 文件 實(shí)質(zhì)上 就是一個(gè)壓縮包），找到其中的 /word/_rels/document.xml 并打開。其中的關(guān)鍵部分如下（代碼經(jīng)過整理）：

PDF數(shù)字界的紙張：科普向圖二

不必恐懼這些陌生的代碼，它們的意義很容易從文檔內(nèi)容本身反推出來。先看倒數(shù)第二行，這里記錄了整個(gè)文檔最重要的信息——「Hello world！」這串文字。在它的上面一行，w:rFonts 屬性將字體設(shè)置為 Times。那么前四行是做什么的呢？從第二行的 center 字樣不難猜出，它們控制的是文字所在段落的樣式，包括居中對(duì)齊等等。

這就是 docx 格式這類 標(biāo)記語言 （Markup Language）文檔的特征：在純文本上包裹各種「標(biāo)簽」（tag）來描述文本的樣式（顏色、位置、字體等等），從而獲得格式豐富多變的文檔。常見的網(wǎng)頁（HTML）、Evernote 筆記（ ENML ）所用的語法本質(zhì)上都是標(biāo)記語言，區(qū)別只在于支持的標(biāo)簽各不相同、因此能實(shí)現(xiàn)的格式有多有少罷了。

12下一頁>