如何解析Length为后置间接对象的未知长度二进制PDF流

经常跟PDF解析打交道的朋友，肯定碰到过这个离谱的设计：PDF规范里明明说流的长度由字典里的Length指定，但偏偏允许Length是一个在流之后才定义的间接对象，这给阅读器的解析工作添了好大的麻烦。

先给大家明确下PDF流的基础规则，来自PDF规范：

流字典后的stream关键字后必须跟一个行结束标记，该标记可以是回车加换行（\r\n），也可以仅为换行（\n），但不能仅为回车（\r）。构成流的字节序列位于stream关键字后的行结束标记与endstream关键字之间；流字典指定确切的字节数。

但这里有个关键问题：流内容可能是二进制数据，所以哪怕流中间出现了endstream字符串，也不代表流真的结束了。比如下面这个实际例子：

%PDF-1.4 %307쏢 
5 0 obj 
<<
/Length 6 0 R
/Filter /FlateDecode
>> 
stream 
x234+T03203T0^@A(235234˥^_d256220^314^U310^E^@[364^F!endstream 
endobj 
6 0 obj 
30 
endobj 

你看，这里的Length是6号间接对象，而这个对象是在5号流对象的endobj之后才定义的——也就是说，你要解析5号流的话，得先跳过流内容找到6号对象，拿到Length值（这里是30），再回头去读流的实际内容。

我一直觉得这是PDF设计上的一个明显缺陷：虽然这样方便了PDF写入器按顺序输出内容（不用提前计算流长度），但阅读器的解析逻辑复杂度直接飙升。毕竟PDF文件是读取的频率远高于写入，实在搞不懂为啥要做这种取舍。

那遇到这种情况，正确的解析步骤应该是怎样的呢？给大家梳理下：

• 第一步：预扫描获取Length值：先从stream关键字后的位置开始，跳过流内容（这里可以先按临时的方式定位到endstream和endobj，注意二进制内容里的endstream是假的），找到定义Length的间接对象（比如例子里的6号对象），读取并记录这个Length值。
• 第二步：读取真实流数据：回到stream关键字后的行结束标记位置，严格按照刚拿到的Length值读取对应字节数的内容——这部分就是真正的流数据，哪怕中间出现endstream也不用管，只认字节数。
• 第三步：定位到真正的endstream：读完流数据后，再向后扫描找到真正的endstream关键字，继续后续的PDF对象解析。

核心原则就是：流的结束永远以Length指定的字节数为准，而不是endstream关键字；当Length是后置间接对象时，必须先做一次预解析拿到Length值，再回头处理流内容。

内容的提问来源于stack exchange，提问作者U. Windl