如何编辑以十六进制格式编码的pdf文本？

Question

我试图在PDF中找到并用特定值替换某些文本。我正在使用python库pdfrw，因为我首选的环境是python。以下是文档第一页中的内容示例

BT\n/F8 40 Tf\n1 0 0 -1 569 376 Tm\n<0034> Tj\n26 0 Td <0028> Tj\n22 0 Td <0032> Tj\n25 0 Td <0031> Tj\n32 0 Td <0034> Tj\n26 0 Td <0036> Tj\nET\n0 .8863 1 RG

对应于文件中的“报告”一词。到目前为止，我已经理解了这种格式中所有特殊标签和数字的含义，并成功地操纵了位置和其中的一些字符。但我不了解每个字符的编码格式或编码方式（<；0034>；、<；0028>；等）

我试着用蛮力强迫每一个组合<；00xx>；但只找到字母R、E、P、O、T的有效匹配项，这些字母是单词中使用的字母。我尝试了同样的F11和F10，包括在页面中，并发现相同的结果，我匹配的字母，只使用。如果有人能解释这种编码是如何工作的，我如何编辑它，这样我就可以插入任何utf-8字符，这将非常有帮助

多谢各位

注1： 以下是F8对象：

{'/Subtype': '/Type0', '/Type': '/Font', '/BaseFont': '/OpenSans-Bold', '/Encoding': '/Identity-H', '/DescendantFonts': [{'/DW': '0', '/Subtype': '/CIDFontType2', '/CIDSystemInfo': {'/Supplement': '0', '/Registry': '(Adobe)', '/Ordering': '(Identity)'}, '/Type': '/Font', '/FontDescriptor': {'/Descent': '-292.96875', '/CapHeight': '713.86719', '/StemV': '83.984375', '/Type': '/FontDescriptor', '/FontFile2': {'/Length1': '5540', '/Length': '5540'}, '/Flags': '4', '/FontName': '/OpenSans-Bold', '/ItalicAngle': '0', '/FontBBox': ['-619.14063', '-292.96875', '1318.84766', '1068.84766'], '/Ascent': '1068.84766'}, '/BaseFont': '/OpenSans-Bold', '/W': ['0', ['600.09766'], '40', ['560.05859'], '49', ['795.89844', '627.92969', '0', '660.15625', '0', '579.10156']], '/CIDToGIDMap': '/Identity'}], '/ToUnicode': {'/Length': '413'}}

注2： 在（漂亮文本）Tj\n或（<；0032>；<；0032>；）方式中替换文本在这里也不起作用

Answer 1

因此，正如前面的回答所指出的，文档中嵌入的字体只是一个子集，编码引用了我不知道的字符。我首先创建了包含字母表中所有字母（包含我需要的字体信息）的临时pdf，并将原始文件的资源字体替换为新文件的资源字体，从而解决了这个问题。然后我可以像处理临时文件一样轻松地处理文本

target.pages[0].Resources.Font=font_pdf.pages[0].Resources.Font
target.pages[0].Contents.stream.replace(
    "BT\n/F8 40 Tf\n1 0 0 -1 569 376 Tm\n<0034> Tj\n26 0 Td <0028> Tj\nET", 
    f"BT\n/F0 11 Tf\n1 0 0 -1 500 500 Tm\n(\x02Y\x02Q) Tj\nET"
)

谢谢大家：）

注意：对于使用自己的字体解码十六进制，我仍然没有很好的解决方案。所以我决定使用模式匹配，因为我知道应该期望什么文本。更好的解决方案将非常有用

Answer 2

'/Encoding': '/Identity-H'和'/CIDToGIDMap': '/Identity'表示字符代码对应于字形id。因此<0034>显示所选字体的字形编号0x34

如果字体已被子集，则只能访问子集中包含的字形

'/Length': '5540'表示字体大小为5540字节，这显然意味着它是子集

Answer 3

一般来说，我认为pdf文本可以通过不同的算法进行压缩/编码，因此pdfrw不会自行解码文本。所以一般来说，你不知道什么是正确的方法，因为每种情况都不同。我试过简单的pdf from here，里面只包含纯文本

可能您没有弄清楚字符和十六进制代码之间的正确对应关系是因为它可能是一个压缩流-这意味着每个代码取决于字符在整个流中的位置加上之前所有字符的值。例如，文本可以是zlib压缩的

另外，pdf文本是一系列用于定位/格式化/输出文本的命令，因此一般来说，您必须能够对所有这些命令进行解码/编码，才能真正处理任何文本。您的格式可能包含符号表，其中所有使用的符号都映射到十六进制值。为了找出正确的映射，所有符号都应该出现在示例文本中

对于您的情况，您可能会使用下一个表，对于转换，我使用字母R具有十六进制值0x34的事实：

Try it online!

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')

输出：

0x2 : ' ' 0x3 : '!' 0x4 : '"' 0x5 : '#' 0x6 : '$' 0x7 : '%' 0x8 : '&' 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: '' 

从十六进制到字符的转换代码很简单：

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

如果您在字符和十六进制值之间有一些更奇特的映射，那么您只需创建一个包含所有可能字符的文本，然后使用转换器进行转换，查看每个字母的十六进制值

另外，我刚刚试图弄清楚PDF中的文本是如何编码的，使用了哪些命令，它看起来像是字符串，末尾的Tj命令包含文本本身。因此，我在下面的代码中编写了pdf文本修饰符，它接受文件名或URL作为第一个参数，输出文件名作为第二个参数，或者只是运行它以使用默认示例，所需的替换在脚本开头作为changes变量列出

但下一个修饰符不会解码十六进制格式。它只是方便地替换任何纯文本编码

Try it online!

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()