我正在开发 PDF 解析器（文本提取）。
当页面需要 Flate 解码（来自 zlib 压缩）时，我的代码能够解压缩内容流，然后输出（流对象）如下所示：
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
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，但对应的十六进制值没有意义。相反，它出现了一个类似 010203... 的序列，类似于 lz77 压缩。
【问题讨论】：
标签： pdf
在开始这样一个雄心勃勃的项目之前，您应该让自己熟悉完整 official PDF-1.7 specification。请注意：这是一个 756 页的文档，它引用了大约 90 个其他文档，它声明它们也是 PDF 的“规范”。
您将了解到，为了将 PDF 源代码反转为文本内容，您必须反向应用字体使用的 编码。可以使用 5 种规范定义的标准编码：
StandardEncodingMacRomanEncodingWinAnsiEncodingPDFDocEncodingMacExpertEncoding除此之外，还可以有 CustomEncoding（当嵌入字体是子集时发挥作用，并且不包含字体定义的所有字形，但仅包含那些文件要求的字形）。如果在 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称。
您还将了解到，不仅有 一个，还有 四个 运算符可用于显示文本字符串：
Tj：“显示文字”
TJ：“显示文本，允许单独的字形定位”
'：“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：
(string)：这在括号内使用标准可打印 ASCII 字符（仅适用于拉丁/ASCII 文本部分）。(\163\164\162\151\156\147) ：这使用 八进制 字符代码（也在括号内），如“附录 D（规范）字符集和编码”中列出的规范文件。<737472696E67> ：这使用尖括号内的十六进制编码字符代码。文本提取器的问题如下：
使用可打印的 ASCII 字符（上面的1.）和八进制字符代码（上面的2. ) 可以混合。以下所有内容也是字符串 "string" 的“合法”表示（列表不完整！）：
(\163tring)Tj
(\163\164\162\151\156g) Tj
(st\162i\156g) Tj
...
使用十六进制编码的字符代码（上面的3.）也不是直截了当的，因为以下所有表示都是等价的：
<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
有关 PDF 规范允许（或 Adobe 查看器允许）的更多怪异，另请参见示例：
我自己最近创建了一系列手工编码的 PDF 文件，这些文件展示了丢失、不正确、被操纵或正确的 /ToUnicode 表如何影响任何 PDF 到文本反转的结果：
最后看一下OP提供的PDF源代码的小sn-p：
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 和ET 表示文本显示部分的开始和结束
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 磅。
/F1 将要使用的字体设置为 PDF 文档中其他地方定义的字体。该字体还在某处设置了字体编码（可能还有/ToUnicode 表）。当在文本字符串中看到特定的字符代码时，字体编码将确定应绘制哪种字形。
[<01>2<0203>2<04>-10<0503>2<04>-2<0506070809>2<0A>1<0B>]TJ
这最后一部分可以分为以下几部分：
<01>2 ：<01> 是第一个字符代码。 2 是使用文本显示运算符TJ 时允许的“单独字形定位”的参数。<0203>2 ：<0203> 是另外两个字符代码。 2 又是TJ 的“个别字形定位”的参数。 <04>-10 ：<04> 是第四个字符代码。 -10 再次用于 “个别字形定位”，TJ。 <0503>2：<05>是第五个字符代码，<03>是第三个字符代码（之前用过）。 2 用于“个别字形定位”...个别字形定位：个别字形定位的工作原理如下：
字符代码的含义：要了解第一个、第二个、第三个……最后一个字符代码的含义，您必须在 PDF 的 /ToUnicode 表中查找这些代码。如果它没有嵌入这样的表，那就倒霉了！
检查文本是否易于提取：要检查您的 PDF 是否适合文本提取，您可以使用命令行工具 pdffonts。这是一个示例输出：
$ 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
在上述示例中，子集字体 SSKFGJ+ArialMT 使用自定义编码，但 PDF 中没有此字体的 /ToUnicode，如标题为 uni 的列所示。因此，提取使用此字体显示的文本并不容易（提取需要手动逆向工程——但您也可以只“阅读”PDF 页面）。
【讨论】：
<00360048...> 部分是十六进制编码的文本字符串。您可以手动对其进行解码（通过参考 ASCII 表），或者像这样运行 Ghostscript 命令行：IFS=" "; gs -dNODISPLAY -q -c "<3648>" == quit 进行解码...
(&/*\022*2'5\(-\003+,1-$:$',\003\(6&52:)。现在需要/ToUnicode 表将其转换为（可能）可读的文本......
xxd -r -p 而不是 Ghostscript。例如：echo '0026002f002a0012002a0032002700350028002d0003002b002c0031002d0024003a00240027002c000300280036002600350032003a' | xxd -r -p
阿布舍克，
这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： http://www.adobe.com/devnet/acrobat/sdk/eula.html
其中一部分是 PDF 规范，它是一份非常重要的文档，解释了 PDF 的来龙去脉（包括您问题的答案）。
简而言之 - 而不是作为阅读文档的替代品 - 您正在查看的是 /F2 12 Tf 命令设置的字体编码中的字符值，该命令设置随后编写文本时使用的特定字体。
【讨论】：