我知道仅通过查看数据就无法确定任何字符串形式数据的字符编码。这不是我的问题。
我的问题是：PDF文件中是否有一个字段，按照惯例，指定了编码方案（例如：UTF-8）？这与HTML中的<html> <head> <meta http-equiv="Content-Type" content="text/html; charset=utf-8">大致类似。
非常感谢您提前， BLZ
答案 0 :(得分：13)
快速查看PDF specification似乎表明您可以在PDF文件中使用不同的编码。请查看第86页。因此，具有某种低级访问权限的PDF库应该能够为您提供用于字符串的编码。但是如果您只是想要文本并且不关心所使用的内部编码，我建议让图书馆为您处理转换。
答案 1 :(得分：-1)
PDF使用“命名”字符，因为字符是名称而不是数字代码。字符“a”的名称为“a”，字符“2”的名称为“two”，欧元符号的名称为“euro”，举几个例子。 PDF定义了一些“标准”“基础”编码（名为“WinAnsiEncoding”，“MacRomanEncoding”等等，不记得确切），编码是字符名和字节值之间的一对一对应（是的，只有0到255）。这些预定义编码的准确，规范值在PDF规范中。所有这些编码都使用US-ASCII字符的ASCII值，但它们的字节值不同。
PDF文件可以通过采用“基本”编码（例如，WinAnsiEncoding）并重新定义几个字节来定义新的编码，因此PDF作者可以例如将名为“MySuperbEncoding”的新编码定义为WinAnsiEncoding但使用字节值65更改为表示字符“ntilde”（此定义在PDF文件中），然后指定文件中的某些字符串使用编码“MySuperbEncoding”。在这种情况下，包含字节值65-66-67的字符串将表示字符“ñBC”而不是“ABC”。请注意，我的意思是字符，与字形或字体无关。带有PDF文件的不同字符串可能使用不同的编码（这提供了一种在PDF文件中使用更多棕褐色256个字符的方法，即使每个字符串都定义为字节序列，并且一个字节始终对应于一个字符）。
因此，您的问题的答案是：PDF文件中的字符可以在内部以特定PDF文件的特殊编码进行编码。 PDF解析器应在必要时进行适当的替换。我不知道PDFMiner但我很惊讶它（作为PDF解析器）给出了不正确的值，因为规范非常清楚如何解释它。可以从PDF文件中获取所有必要的信息，但是，正如Mattias所说，它可能是一个大项目，我认为名为PDFMiner的程序应该完成这种工作。