如何编辑以十六进制格式编码的 pdf 文本？

Question

我正在尝试查找并替换 PDF 中具有特定值的特定文本。我正在使用 python 库 pdfrw，因为我的首选环境是 python。以下是文档第一页中的示例内容。

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

对应文档中的“REPORT”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。但我不明白每个字符的编码格式或编码（<0034>、<0028> 等）。

我尝试暴力破解 <00xx> 的每个组合，但只找到字母 R、E、P、O、T 的有效匹配，这些字母在单词中使用。我对页面中包含的 F11 和 F10 进行了相同的尝试，并在匹配仅使用的字母时发现了相同的结果。如果有人能解释这种编码的工作原理以及我如何编辑它以便能够插入任何 utf-8 字符，那将非常有帮助。

谢谢。

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：另外，用 (nice text)Tj\n 或 (<0032><0032>) 替换文本在这里不起作用。

Answer 1

总的来说，我认为 pdf 文本可以通过不同的算法 compressed/encoded，因此 pdfrw 本身不会解码文本。所以你无法知道什么是一般正确的方法，因为每种情况都不一样。我试过简单的 pdf from here，里面只包含纯文本。

您可能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压缩流 - 这意味着每个代码都取决于字符在整个流中的位置加上所有前面字符的值。例如。文本可能被 zlib 压缩。

此外，pdf 文本是 positioning/formatting/outputing 文本的一系列命令，因此通常您必须能够 decode/encode 所有这些命令才能真正处理任何文本。您的格式可能包含符号 table，其中所有使用的符号都映射到十六进制值。要找出正确的映射，所有符号都应出现在示例文本中。

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

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')))

如果你在字符和十六进制值之间有一些更奇特的映射，那么你只需要创建一个包含所有可能字符的文本，然后使用你的转换器转换它，看看每个字母里面有什么十六进制。

此外，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，它看起来像末尾带有 Tj 命令的字符串包含文本本身。因此我在下面的代码中写了 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，或者只是运行它使用默认示例，需要的替换列在开头脚本作为 changes 变量。

但是 next 修饰符不会解码您的十六进制格式。替换任何以纯文本编码的文本非常方便。

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()

Answer 2

'/Encoding': '/Identity-H'和'/CIDToGIDMap': '/Identity'表示字符编码对应字形id。所以 <0034> 显示所选字体的字形编号 0x34。

如果字体已被子集化，您只能访问已包含在子集中的字形。

'/Length': '5540'表示字体大小为5540字节，明显是子集化的意思

Answer 3

因此，正如之前的回答所指出的，文档中嵌入的字体只是一个子集，并且编码引用了我不知道的字符。我通过首先创建临时 pdf 来解决这个问题，其中包含字母表中的每个字母（其中包含我需要的字体信息）并将原始文件的资源字体替换为我的新文件的资源字体。然后我可以像这样轻松地以与临时文件相同的方式操作文本

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，因为我知道应该期待什么文本。更好的解决方案将非常有帮助

如何编辑以十六进制格式编码的 pdf 文本？

How can I edit text in pdf that is encoded in hexadecimal format?

python

pdf

text

text-processing

pdf-generation