我正在编写代码以从PDF文件提取URL。在大多数文件中，URL以纯ASCII形式显示。但是，在某些PDF文件中，例如PDF规范本身（https://www.adobe.com/content/dam/acom/en/devnet/pdf/pdfs/PDF32000_2008.pdf），URL以十六进制形式显示，看似没有结构。
例如，在以上文件中的主元数据中，作者显示为：
/Author <F240D629CD72348F>
Atril和其他PDF查看器将其解码为“ Jim King”。十六进制字符串是预期值的两倍，但加扰后无法识别。假设字节值与字符的比例为1：1，则“ i”的编码方式分别为0x40和0x72。
实际URL值：
<EB345AA632781A90E90781A4A0BF42680D1F1AD67910B293798B0AFFED8407CE12684F21B7F471D96DCE4864CAB970A98E7F911C207A12C6E6900D789BC13AE87E76A9D6B8EDDADE7A53EAA521E6421295EA31305C>
应解码为：
http://www.iso.org/iso/iso_catalogue/catalogue_tc/catalogue_detail.htm?csnumber=51502
我还查看了能够解码这些字符串的PyPDF2源代码，但是我没有找到答案。
如何找到PDF文档中用于注释的编码？
答案 0 :(得分：0)
您可以通过查看示例pdf的预告片来对其进行加密，方法是查看其预告片中是否包含 Encrypt 条目：
/Encrypt 126988 0 R
因此，该pdf中的所有字符串和流（很少有例外）都被加密。
（如果您想知道为什么在打开文件时不必输入密码：pdf标准定义了一个默认密码，pdf处理器会在要求用户提供密码之前尝试使用该默认密码。此处使用此默认密码。 ）
因此，在分析字符串之前，您必须解密它们。如果您不想自己实现解密，则可以使用qpdf之类的工具来准备代码。