Блог

В общем, я думаю, что текст pdf может быть сжат / закодирован различными алгоритмами, следовательно pdfrw , не декодирует текст сам по себе. Таким образом, вы не можете знать, какой правильный способ в целом, потому что он отличается для каждого случая. Я пробовал простой pdf отсюда, и он содержит только обычный текст внутри.

Вероятно, вы не выяснили, какое правильное соответствие между символами и шестнадцатеричными кодами связано с тем, что это может быть сжатый поток — это означает, что каждый код зависит от позиции символа во всем потоке плюс от значения всех предыдущих символов. Например. текст может быть zlib сжат.

Кроме того, текст pdf представляет собой последовательность команд для позиционирования / форматирования / вывода текста, поэтому в целом вы должны иметь возможность декодировать / кодировать все эти команды, чтобы иметь возможность обрабатывать действительно любой текст. Ваш формат может содержать таблицу символов, в которой все используемые символы отображаются в шестнадцатеричное значение. Чтобы определить правильное отображение, все символы должны присутствовать в тексте примера.

В вашем случае вы, вероятно, можете использовать следующую таблицу, для преобразования я использую тот факт, что буква R имеет шестнадцатеричное значение 0x34 :

Попробуйте онлайн!

 import sys
for i, n in enumerate(range(32, 128)):
    sys.stdout.write(f"{hex(n - ord('R')   0x34).ljust(4)}: '{chr(n)}' ")
    if (i   1) % 8 == 0:
        sys.stdout.write('n')
  

Вывод:

 0x2 : ' ' 0x3 : '!' 0x4 : '"' 0x5 : '#' 0x6 : '$' 0x7 : '%' 0x8 : 'amp;' 0x9 : ''' 
0xa : '(' 0xb : ')' 0xc : '*' 0xd : ' ' 0xe : ',' 0xf : '-' 0x10: '.' 0x11: '/' 
0x12: '0' 0x13: '1' 0x14: '2' 0x15: '3' 0x16: '4' 0x17: '5' 0x18: '6' 0x19: '7' 
0x1a: '8' 0x1b: '9' 0x1c: ':' 0x1d: ';' 0x1e: '<' 0x1f: '=' 0x20: '>' 0x21: '?' 
0x22: '@' 0x23: 'A' 0x24: 'B' 0x25: 'C' 0x26: 'D' 0x27: 'E' 0x28: 'F' 0x29: 'G' 
0x2a: 'H' 0x2b: 'I' 0x2c: 'J' 0x2d: 'K' 0x2e: 'L' 0x2f: 'M' 0x30: 'N' 0x31: 'O' 
0x32: 'P' 0x33: 'Q' 0x34: 'R' 0x35: 'S' 0x36: 'T' 0x37: 'U' 0x38: 'V' 0x39: 'W' 
0x3a: 'X' 0x3b: 'Y' 0x3c: 'Z' 0x3d: '[' 0x3e: '' 0x3f: ']' 0x40: '^' 0x41: '_' 
0x42: '`' 0x43: 'a' 0x44: 'b' 0x45: 'c' 0x46: 'd' 0x47: 'e' 0x48: 'f' 0x49: 'g' 
0x4a: 'h' 0x4b: 'i' 0x4c: 'j' 0x4d: 'k' 0x4e: 'l' 0x4f: 'm' 0x50: 'n' 0x51: 'o' 
0x52: 'p' 0x53: 'q' 0x54: 'r' 0x55: 's' 0x56: 't' 0x57: 'u' 0x58: 'v' 0x59: 'w' 
0x5a: 'x' 0x5b: 'y' 0x5c: 'z' 0x5d: '{' 0x5e: '|' 0x5f: '}' 0x60: '~' 0x61: '' 
  

код для преобразования вашего шестнадцатеричного кода в символ прост:

 hex_val = '0030'
print(chr(int(hex_val, 16) - 0x34   ord('R')))
  

Если у вас есть более причудливое сопоставление между символами и шестнадцатеричным значением, вам просто нужно создать текст со всеми возможными символами, затем преобразовать его с помощью вашего конвертера, посмотреть, какой шестнадцатеричный код находится внутри для каждой буквы.

Также я только что попытался выяснить, как кодируется текст внутри PDF, какие команды используются, и похоже, что строка с Tj командой в конце содержит сам текст. Поэтому я написал текстовый модификатор pdf в приведенном ниже коде, он принимает имя файла или URL в качестве первого аргумента, а имя выходного файла — как второе, или просто запустите его, чтобы использовать пример по умолчанию, необходимые замены перечислены в начале скрипта как changes переменная.

Но модификатор next не декодирует ваш шестнадцатеричный формат. Это просто удобно для замены любого текста, закодированного в обычном формате.

Попробуйте онлайн!

 import sys, os, io
# Needs: python -m pip install pdfrw
from pdfrw import PdfReader, PdfWriter

changes = {'And': 'Or', 'text': 'string'}

def ReplaceText(text, reps = {}):
    res, in_block = '', False
    for line in text.splitlines():
        line = line.strip()
        nline = line
        if line == 'BT':
            in_block = True
        elif line == 'ET':
            in_block = False
        elif in_block:
            cmd = line.rpartition(' ')[2]
            if cmd.lower() == 'tj':
                for k, v in reps.items():
                    nline = nline.replace(k, v)
        res  = nline   'n'
    return res

ifn = sys.argv[1] if len(sys.argv) > 1 else 'http://www.africau.edu/images/default/sample.pdf'
ofn = (ifn[:ifn.rfind('.')]   '.processed.pdf') if len(sys.argv) <= 2 else sys.argv[2]

if ifn.lower().startswith('http'):
    # Needs: python -m pip install requests
    import requests
    ofn = (ifn[ifn.rfind('/')   1:]   '.processed.pdf') if len(sys.argv) <= 2 else sys.argv[2]
    ifn = io.BytesIO(requests.get(ifn).content)
    
r = PdfReader(ifn)
for page in r.pages:
    page.Contents.stream = ReplaceText(page.Contents.stream, changes)

PdfWriter(ofn, trailer = r).write()
  

'/Encoding': '/Identity-H' и '/CIDToGIDMap': '/Identity' означает, что код символа соответствует идентификатору глифа. Так <0034> отображается номер глифа 0x34 из выбранного шрифта.

Если шрифт был подмножеством, у вас есть доступ только к символам, которые были включены в подмножество.

'/Length': '5540' означает, что размер шрифта составляет 5540 байт, что явно означает, что он является подмножеством.