PDF文本字符串的编码

我正在为PDF（文本提取）解析器工作

当页面需要进行平面解码（从zlib压缩）时，我的代码能够解压缩内容流，然后我有如下输出（流对象）：

BT
56.8 721.3 Td 
/F2 12 Tf
[<01>2<0203>2<04>-10<0503>2<04>-2<0506070809>2<0A>1<0B>]TJ
ET

BT
56.8 721.3 Td
/F2 12 Tf
[22-102-221]TJ
ET

我对字符串数组（TJ的操作数）感兴趣

这个数组中似乎包含多个十六进制编码的字符串，但相应的十六进制值没有意义。相反，它看起来像一个序列010203。。。有点像lz77压缩

• PDF有多个压缩级别吗
• 如何从上面的字符串数组中获取纯文本
  阿披实
  这远不是一个简单的问题，不幸的是，它表明您还没有阅读PDF规范。你应该这样做
  您可以在此处下载Acrobat SDK：
  其中一部分是PDF规范，它是一个非常重要的文档，解释了PDF的来龙去脉（包括您问题的答案）

  ---

  简而言之，您看到的不是阅读文档的替代品，而是/F2 12 Tf命令设置的字体编码中的字符值，该命令设置了后续编写文本时使用的特定字体。
  在您开始这样一个雄心勃勃的项目之前，您应该熟悉完整的。请注意：这是一个756页的文档，它引用了大约90个其他文档，它声明这些文档也是PDF的“规范性”文档
  您将了解到，为了将PDF源代码转换为文本内容，必须反向应用字体使用的编码。可使用5种规范定义的标准编码：

  • 标准编码

  • 宏编码

  • winansioncoding

  • PDFDocEncoding

  • MacExpertEncoding

  除此之外，还可以有一个

  自定义编码

  （当嵌入字体是一个子集时，它将起作用，并且不包含字体定义的所有字形，而只包含文档所需的字形）。如果PDF中定义了

  /ToUnicode

  表，则只能反转CustomEncode-d文本。只有这样，您才能将编码字符反向映射到字符名
  您还将了解到，可用于显示文本字符串的运算符不仅有一个，还有四个：

  • Tj

    ：“显示文本”

  • TJ

    ：“显示文本，允许单个字形定位”

  • ”

    ：“移动到下一行并显示文本”

  • “

    ：“设置单词和字符间距，移动到下一行并显示文本”
  此外，有三种不同的方式来表示文本字符串。这里给出了字符串“string”的示例：

  • （字符串）

    ：在括号内使用标准的可打印ASCII字符（仅适用于拉丁/ASCII文本部分）

  • （\163\164\162\151\156\147）

    ：使用八进制字符代码（也在括号内），如规范文件“附录D（规范性）字符集和编码”中所列

  • ：在尖括号内使用十六进制编码字符代码
  文本提取器的问题如下：
  • 可以混合使用可打印ASCII字符（

    1.

    以上）和八进制字符代码（

    2.

    以上）。以下所有内容也是字符串“string”的“合法”表示形式（列表不完整！）：

  • 使用十六进制编码字符代码（

    3.

    ）也不是直接的，因为以下所有表示形式都是等效的：

    <73 74 72 69 6E 67> TJ
    
    <73 7472 696E67> TJ
    
    <7 374 7 269 6E 67>TJ
    
    <73   74    72696E 67> TJ
    
    <73
      74 7
      2 69 6E 67>
    TJ
    

    • BT

      和

      ET

      表示显示部分的文本的开头和结尾

    • 56.8 721.3 Td

      将当前点定位到坐标“水平方向56.8点，垂直方向721.3点”

    • 12 Tf

      将字体大小设置为12点

    • /F1

      将要使用的字体设置为PDF文档中其他地方定义的字体。该字体还设置了字体编码（可能是

      /ToUnicode

      表）。字体编码将确定在文本字符串中看到特定字符代码时应绘制的字形

    • [22-102-221]TJ

    最后一部分可分为以下几部分：

    • 2

      ：
      是第一个字符代码。

      2

      是使用文本显示操作符

      TJ

      时允许的“单个字形定位”参数

    • 2

      ：
      是另外两个字符代码。

      2

      也是

      TJ

      的“单个字形定位”参数

    • -10

      ：
      是第四个字符代码。

      -10

      再次用于使用

      TJ

      的“单个字形定位”

    • 2

      ：
      是第五个字符的代码，
      是第三个字符的代码（以前使用过）。

      2

      用于“单个字形定位”
    • 等等
    单个字形定位：单个字形定位的工作原理如下：
    • 正数将下一个图示符向左移动（将图示符间距减小到下一个图示符）
    • 负数将下一个图示符向右移动（为下一个图示符添加更多空间）
    • 这些数字本身将被视为re

      <73 74 72 69 6E 67> TJ
      
      <73 7472 696E67> TJ
      
      <7 374 7 269 6E 67>TJ
      
      <73   74    72696E 67> TJ
      
      <73
        74 7
        2 69 6E 67>
      TJ
      

      BT
      56.8 721.3 Td 
      /F2 12 Tf
      [<01>2<0203>2<04>-10<0503>2<04>-2<0506070809>2<0A>1<0B>]TJ
      ET
      

      $ pdffonts sample.pdf
        name                      type          encoding     emb sub uni object ID
        ------------------------- ------------- ------------ --- --- --- ---------
        IADKRB+Arial-BoldMT       CID TrueType  Identity-H   yes yes yes     10  0
        SSKFGJ+ArialMT            CID TrueType  Custom       yes yes no      11  0