如何解码PDF文件并将其编码回来？答案

【问题标题】：How to decode PDF file and encode it back?如何解码PDF文件并将其编码回来？
【发布时间】：2020-12-20 16:42:36
【问题描述】：

我的总体目标是使一些 PDF 文件符合 PDF/A 标准以用于存档目的。它们不符合一项要求，即某些字形映射映射到 0，这是它们不应该的。

我通常的策略是使用一个名为 "Pdfedit" 的旧软件，它可以解码 PDF 文件，然后所有字节流都将是人类可读的，编辑包含字形映射的 PDF 的相关部分，然后打开使用 Adobe Acrobat 自动重新编码的文件。

现在我有一些 PDF 会导致“Pdfedit”在打开时崩溃。我尝试使用PDF-Parser，但它的输出无法被 Adobe Acrobat 重新编码。

此外，过去解码的相关部分看起来像这样：

/CMapType 2 def
 1 begincodespacerange
 <00><04>
 endcodespacerange
 5 beginbfchar
 <00><0000>
 <01><0000>
 <02><263A>
 <03><0000>
 <04><0000>
 endbfchar
 endcmap

但现在我使用以下命令python3 pdf-parser.py -f -n /path/to/file.pdf > dump.txt，在 dump.txt 中相关部分如下所示：

b'/CMapType 2 def\n1 begincodespacerange\n<00><04>\nendcodespacerange\n5 beginbfchar\n<00><0000>\n<01><0000>\n<02><263A>\n<03><0000>\n<04><0000>\nendbfchar\nendcmap\nCMapName currentdict/CMap defineresource pop end end'

所以它是一个字节串，并且任何换行符都按字面意思呈现为\n。 Adobe Acrobat 无法将包含此内容的 txt 文件解释为 PDF。

我现在也意识到%%EOF等很多元素都是用''分隔的。

真正的问题是如何从 pdf-parser.py 获得 Acrobat 可读的输出，因为 shell 命令 > 不起作用，并且 shell 中的 stdout 也有问题。

我会尝试一些事情，但在这方面真的需要一些帮助！

【问题讨论】：

By "But now, it looks like this"你的意思是现在使用其他工具还是现在在这些新的pdf中?
新工具输出一个包含这部分的txt文件。 Adobe Acrobat 无法理解和重新编码整个 txt 文件。我这样说是因为使用旧的解码软件，在手动更改后，我可以用 Adobe Acrobat 打开相关的 txt 文件来创建工作 pdf 文件。现在编辑我的帖子。
所以看起来新工具的功能并不是为了重新编码 PDF 以供进一步使用，而只是为了调试目的。

标签： pdf adobe qpdf pdfparser

【解决方案1】：

回答我自己的问题，以防这与下线的人有关。

pdf 解析器背后的开发者 Didier Stevens 回答说他的工具不是为此而生的。他推荐了 qpdf。

这确实是解决方案。确保使用标志 --stream-data=uncompress 以便在输出中也可以访问压缩部分。与 qpdf 一起使用的命令是：

qpdf old_file.pdf --stream-data=uncompress --decode-level=all new_file.txt

您也可以将 new_file 输出为 .pdf。在任何情况下，您都可以在文本编辑器中打开它。完成应用您希望应用的更改后，您可以将结尾更改为 pdf 并使用 acrobat 或任何其他转换程序进一步处理。

【讨论】：