Question

我在使用C ++读取二进制文件时遇到问题。目前我的代码是这样的：

FILE *s=fopen(source, "rb");
fseek(s,0,SEEK_END);
size_file size=ftell(s);
rewind(s);

char *sbuffer=(char *) malloc(sizeof(char) * size);
if(sbuffer==NULL){
    fputs("Memory error", stderr);
    exit(2);
}
size_t result=fread(sbuffer,1,size,s);
if(result != size){
    fputs("Reading error",stderr);
    exit(3);
}
fclose(s);
cout<<sbuffer<<endl;

但是，终端上打印的字符都是随机字符，而不是我在PDF文件中写的字符。他们就像：

% P D F - 1 . 3 
 % ? ? ? ? ? ? ? ? ? ? ? 
 4   0   o b j 
 < <   / L e n g t h   5   0   R   / F i l t e r   / F l a t e D e c o d e   > > 
 s t r e a m 
 x  ? ? ? j ? 0  E ? ? ? k ?  y Q E # ? ? ? m ? & ? ? @  % + ? .     ? ?  ? ? A i  ?     4 z \ 1 G W ? ?  - , ? ? ? (  ? ? ?  9 ? ? ? ? ?  \ ? } ? ? ? e ? ? ? ? 0 ? ? ? ~ ? , ? ? & 8 ? ? x e 4 ? r 
 | ? ? ? 
          ? ? ? ? E  > a ? ? z & ? Z ? < ?  }  '  ? ? ? j p ? ? Q 7 0 ? ? ? S %  - p ? ? ? 7 D  ?  ? ? ' Q z Q ?  ? ? ? ? ? ? ? ? ? \ 2 ? ? 7 ? ? ? < ? ? D ~  ? ? ? 

 e n d s t r e a m 
 e n d o b j 
 5   0   o b j 
 2 2 8 
 e n d o b j 
 2   0   o b j

还有很多像上面这样的人物。我试图搜索很长时间，但无法找到如何获取实际字符以供以后处理。顺便说一句，我正在尝试编写一个压缩器，它将二进制文件作为输入和输出。任何帮助都非常感谢！

Answer 1

只有少数文件格式如普通原始.TXT文本文件可以直接“读取”和“理解”。大多数文件格式（包括几乎任何二进制格式）都是.. 格式。这意味着文件中存在某些结构。与完全没有结构的.TXT文本文件完全相反，或者更确切地说，它是一个巨大的纯数据块。

打开写字板或Word或任何其他最不明智的文本编辑器并在其中写入一些文本，然后将其另存为RTF，DOC，ODT或任何其他非TXT文件。然后将其另存为TXT文件。

下载HEX VIEWER / HEX EDITOR。无论如何。取其中一个免费，你不需要很多功能，只需要在一列中显示原始二进制值而在另一列中显示ASCII文本。几乎任何免费的十六进制观察者/编辑都可以做到这一点。

打开并比较这两个文件。你会立即看到差异。

返回PDF：

PDF甚至可以包含与文本交错的图形。如果文本像TXT一样“只是坐在文件中”，你期望如何保留它？如何嵌入图像位置/描述/数据？如果我记得很清楚，PDF甚至可以包含脚本，类似于JavaScripts。可执行文件。在PDF类型的文档中，您可以使用按钮执行某些操作。这比文件中的文件复杂得多。

二进制文件通常不包含任何明文可读的文本。他们将文本结构化为块，包含有关颜色，文本布局，分页等的元数据，甚至是关于文档版本控制，创作，分类（...）的特殊结构。这一切都必须存储在某个地方。

通常，二进制文件包含部分。第一部分通常称为HEADER。在内部，将有以下信息：格式类型，格式版本，文件/块/数据长度，图像分辨率等。所有那些最有可能以二进制形式保存：没有“800x600”文本，只是“| 00 | 00 | 03 | 20 | 00 | 00 | 02 | 58 |”假设是32位BE。在您阅读，解码并理解了描述之后，您将知道实际数据的起始位置，数据块的布局方式以及如何解码它们并了解它们包含的内容。

编辑：

在了解了文本文件和二进制文件之间的区别之后，请查看http://en.wikipedia.org/wiki/Entropy_(information_theory)上的绝对基础知识。然后尝试使用RLE（http://www.daniweb.com/software-development/cpp/code/216388/basic-rle-file-compression-routine）或Huffman（http://www.cprogramming.com/tutorial/computersciencetheory/huffman.html）来开始相对简单的事情。然后开始阅读有关霍夫曼代码的更多信息，然后，您将为ZIP或LZH等任务做好充分的准备。

Answer 2

要将PDF解析为文本，请使用某些PDF库，例如gnupdf或 poppler

从PDF等二进制文件中读取文本

2 个答案: